Column
从直觉、代码和实践出发，记录强化学习与 GRPO 的学习笔记。
最近一篇文章 SFT, RL, and On-Policy Distillation Through a Distributional Lens 很火。它试图用一个统一的“分布视角”，解释监督微调（Supervised Fine-Tuning，SFT）、强化学习（Reinforcement Learning，RL）和策略内蒸馏（On-Policy Di...
Read article
唉。。。因为很多事情鸽了很久的第三篇来了，年初前两篇受到很多同学的赞同和好评，这一年大家对于GRPO和强化学习也基本都是很熟悉，各种变体DAPO/VAPO/GSPO等层出不穷，是今年工业界和学术界的“显学“了。这篇就给出第二篇中提出的任务吧,虽然对于技术人员并不难，但是可以作为技术小白的入门。1.任务说明我们的想法时根据一家公司过去5天的新闻，来判断该...
Read article
系列文章更新中。。。wuxiaojun：强化学习小白理解GRPO（一）：Deepseek R1和Qwen QwQ的制胜秘诀wuxiaojun：强化学习小白理解GRPO（二）：GRPO核心代码实践20251203难产的第三篇虽迟但到orz: 强化学习小白理解GRPO（三）：适配自定义任务，以Finance-R1为例强化学习小白理解GRPO（四）：从 Ad...
Read article
20260817第四篇已更新：wuxiaojun：强化学习小白理解GRPO（一）：Deepseek R1和Qwen QwQ的制胜秘诀wuxiaojun：强化学习小白理解GRPO（二）：GRPO核心代码实践强化学习小白理解GRPO（四）：从 Advantage 加权到分布重塑，SFT、RL 和OPD原来是一家人最近Deepseek-R1-Zero和Dee...
Read article© 2025 Xiaojun Wu. All rights reserved. Powered by Jekyll and Minimal Light theme.