PPO

在实际项目中，我对 reward model 有这几个具体需求： 1. **能打分**：给定 (prompt, response) 对，输出一…

Agent在环境里试错，跟人在公司里摸鱼本质上是一回事——都在寻找最优策略，只不过一个靠探索利用，一个靠踩红线与打擦边球。