标签
本文介绍了一种博弈论的微调语言模型方法，该方法优化了奖励与偏离参考策略之间的权衡，并提供了一种设置KL正则化系数的原则性方法。
FootsiesGym是一个开源环境，用于研究非平凡的双人零和不完全信息博弈。它基于极简格斗游戏Footsies构建，提供向量化模拟器以支持高效训练，并对多种强化学习算法进行了基准测试。