Generalized Advantage Estimation

Определение

Метод оценки преимущества (advantage) в алгоритмах RL (PPO, A2C), используемый с Value Head для стабильного обновления политики. В GRPO не применяется.

Где встречается

• 326. Как работает RLHF (Reinforcement Learning from Human Feedback) технически
• 328. GRPO (Group Relative Policy Optimization) vs PPO — чем отличается и зачем нужен
• 334. Как вы делаете online RL для агентов (self-improvement loops)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление