本文会对多智能体强化学习算法 MAPPO 进行介绍，包含主要想法（其实主要想法和 MADDPG 很类似），和一些训练的建议。

本文会介绍多智能体强化学习中的 MADDPG 算法，这是一个集中训练、分布式执行的框架，基于 actor-critic 的框架，这里每个 agent 会有一个 actor 和 cr...

本文是对多智能体强化学习中值分解方法 QMIX 的介绍。会介绍 QMIX 算法基本思想，以及进行代码解读。

本文会介绍多智能体强化学习中的Value Decomposition Networks（VDN），包括（1）主要思想，（2）核心框架，（3）VDN 的代码实现。

论文 Eureka: Human-Level Reward Design via Coding Large Language Models 的阅读，主要是利用 LLM 来给强化学习...

论文 Vision-Language Models are Zero-Shot Reward Models for Reinforcement Learning 的阅读。本文提出了...

文章 Reward Design with Language Model 的介绍，本文主要研究了如何利用语言模型（LLM）在强化学习（RL）环境中生成与目标对齐的奖励信号。

本文是对 Deep Reinforcement Learning from Human Preferences 的论文阅读，这篇文章介绍了一种从人类反馈中学习奖励函数的方法。感觉是...

本文是 Reward Model 在 Text-to-Image 上的一个应用，训练 RM 模型来判断模型生成的结果如何。本文作者主要对 text-to-image 领域提出了一个...

本文会介绍 RLHF 的相关内容，主要从原理层面，介绍 RLHF 的三个步骤，（1）预训练语言模型；（2）训练奖励模型；（3）使用强化学习微调语言模型；也会包含 InstructG...