タグ: #LLMアライメント

한국어English日本語中文

← すべての記事

• 強化学習完全ガイド: DQN・PPOからRLHF・DPOによるLLMアライメントまで

  MDPの基礎からDQN・PPO・SAC・RLHF・DPOまで。LLMアライメントに使われる強化学習技法をPyTorchとStable-Baselines3のコードとともに完全解説します。

  2026-03-17 · 20 分で読めます #強化学習#ppo#dqn#rlhf#dpo