Nathan Lambert

正在阅读关于得分中心化的强化学习论文，准备在我的书中添加一些笔记，他们在附录中有一个很棒的表格，列出了强化学习中基于重要性采样的训练-推理不匹配方法。这些方法自从GRPO兴起以来，一直是我认为强化学习算法研究的最大关注点。