【强化学习与大模型后训练】02｜MDP、回报与贝尔曼方程
用面向语言模型的最小强化学习集合定义 MDP、回报、价值、优势和贝尔曼方程，并解释 token 级与序列级建模的差异。
advantage 标签归档
共 3 篇文章 · 返回首页
【强化学习与大模型后训练】04｜Actor-Critic 与优势函数、GAE
解释 Actor-Critic 架构、优势估计和 GAE 的偏差—方差取舍，并映射到 LLM 后训练中的 value head 与 per-token advantage。
【密码学百科】可证明安全：安全定义、博弈与模拟范式
可证明安全是现代密码学的方法论基石——本文系统讲解 IND-CPA/IND-CCA 等安全定义的形式化、基于博弈的安全证明方法、模拟范式，以及从安全定义到实际方案设计的完整推导思路