@yuwen_lu_: 看了一半，我靠怎么从来没人告诉我rl这么好玩

X AI KOLs Timeline 工具
reinforcement-learning tutorial hands-on llm rlhf dpo grpo agentic-rl

摘要

Sanbu 散步发布了现代RL教程Hands-On Modern RL，涵盖从CartPole+PPO入门到LLM后训练（RLHF、DPO、GRPO）和Agentic RL，代码先行，英文版即将更新。

看了一半，我靠怎么从来没人告诉我rl这么好玩
查看原文
查看缓存全文

缓存时间: 2026/05/31 07:03

看了一半，我靠怎么从来没人告诉我rl这么好玩

Sanbu 散步 (@sanbuphy): 花了段时间写了 RL 教程 Hands-On Modern RL，路线是从 CartPole + PPO 入门，然后到 LLM 后训练（RLHF、DPO、GRPO）、Agentic RL。代码先行，公式用来解释现象。英文版很快更新。 目前是草稿版本，RLHF、Agentic RL 部分本地审校中。 欢迎提 PR 或 Issue & 显卡支持：

相似文章

@NFT_Chen: 太牛了！Agent交互强化学习终于不再“工程地狱”了！HarborRL开源全套框架，真实Coding Agent也能稳稳做RL！ 以前训Agent RL最痛苦的不是算法，是轨迹收集、Token对齐、多轮工具调用、策略版本一致性这些工程坑。…

X AI KOLs Timeline

HarborRL开源了一个轻量级智能体强化学习框架，将模型服务、轨迹生成、工具执行、验证器奖励和策略更新整合为可复现的流水线，支持Qwen/GLM模型×GRPO/DAPO算法×200+沙箱任务×40+ Agent Harness（如Claude Code、SWE-agent）的灵活组合。