模型训练，为什么需要这么多阶段，每个阶段的独特职责和意义是什么。

• RLHF 利用复杂的反馈回路，结合人工评估和奖励模型来指导人工智能的学习过程。(RLHF = 人类偏好数据 + Reward Model + RL（如 PPO）, 所以RLHF是RL的一种实践方式)
• 尽管DPO相对于PPO-RHLF更直接，但是(Reinforcement Learning from Verifiable Rewards (RLVR))往往效果更好；
• 而RLVR算法在 2025年的GRPO提出后，其变种和应用范围迎来了井喷爆发。
• 本文详细介绍 PPO、GRPO以及DAPO。

[^1]

必看好文[^2]

• 背景问题：传统RL的算法和奖励都要特殊设计，并且不同领域迁移性很差；
• 想法: 能不能系统自己迭代产生适合的RL算法
• 构建一个能够表征广泛强化学习规则的搜索空间，让系统通过多代智能体在复杂环境中的交互经验，元学习（Meta-Learning）出最优的强化学习更新规则。[^1]

快速调研多模态强化学习及其ai infra(verl类似)的下一步方向、技术点和与LLM RL的差异点：

• 说实话有点头大
• 多模态理解模型的主体就是LLM，LLM的RL基本半年后会迁移到多模态理解上，所以我要跟踪LLM RL的文章
• 多模态生成模型的RL偏向DPO为主的另一条路子；
• 多模态还涉及agent、具身智能，RL又有些不同；
• 文章多到看得头大。

• 在训练开发部待了一年，发现一个人在集体里的作用是渺小的，只能负责了一个模块，但是领导却希望你是个全才。而且中国互联网是人力密集型产业。堆人力，不停试。开发人员大部分工作都是消耗在了繁琐的流程上，消磨了意志，相对于2012那些预研的人员，学习提升有限。
• 最主要是我花的时间，并产生不了技术壁垒，无法保护自己；
• 打工是不可能发财的，现在还能靠还灵光的脑子来学习新技术，等自己老了就只能被新员工淘汰了。
• 只有产生规模效应，加上低成本，自动化的工作才能真正积累财富。[^1] 简单来说就是在有需求的地方做平台收人头费。
• 我当前选择的就是自建自动量化投资平台(资金管理平台)，
  • 首先，可以弥补我欠缺的金融知识；学会合理的管钱
  • 其次，在不成熟之前可以自用；
  • 好用之后，可以商业化。
  • 但是个人开发周期3~7年，希望重策略轻软件框架，毕竟时间跨度大，合适的软件框架估计变了。
  • 唯一的问题：难度可能太高了，比如，最后发现不了赚钱的量化策略。
• 还有另一种可能，在洞察到平台商业机会后，通过快速软件化(前后端)上线。

• 数据集与数据加载器：学习如何使用torch.utils.data.Dataset和DataLoader来加载和处理数据。
• 数据预处理：介绍常用的数据预处理方法，如归一化、数据增强等。

为什么之前认为金融只是调配资源，并不产生生产价值的我。也会想搞量化。

第一次相亲(第二次见面)

自动驾驶 VLA（Vision-Language-Action）模型中，VLM 和 DiT 是两个核心组件。但很多人会有一个常见误解：DiT 是用来生成图片的。实际上，在自动驾驶场景中，DiT 更多是作为动作/轨迹生成器，而非图像生成器。

VLM 负责”看懂路况和指令”，DiT 负责”生成一段连续、平滑、多模态的驾驶动作/轨迹”。

多模态生成模型的推理速度一直受制于diffusion模型的多步去噪，这也限制了RL的迭代速度。为此DMDR解决了这个问题。可以结合DiffusionNFT+DMDR