标签:GRPO
- 笔记 Flow-GRPO 中的逆时 SDE:从概率流 ODE 到高斯策略
推导 Flow-GRPO 用到的边缘分布不变的逆时 SDE:用 Fokker-Planck 方程构造 SDE,在修正流下用速度场表示 score,经 Euler-Maruyama 离散得到每步高斯策略,并给出对数概率与 KL 的闭式。
- 笔记 强化学习梳理:从经典算法到 GRPO
梳理强化学习的背景与核心公式、经典算法与里程碑论文、应用与挑战,并重点说明大模型时代从 RLHF 到 RLVR、从 PPO 到 GRPO 及其变体的演进,附学习资料。