• 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]

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)

第一次相亲

相亲是展现真实自我，寻找志趣相投另一半的过程。

当前主流的多模态理解模型一般采用视觉编码器 + 模态对齐 + LLM的算法流程，充分复用已有视觉编码器的理解能力和LLM的基础能力。训练过程一般分为多个阶段，如先进行模态对齐的一阶段预训练，然后进行二阶段的参数微调。

vllm 的ray后端属实奇诡，ray stop有残留，flush打印被吞（虽然输出能标记ip，折叠重复，在master输出），ray集群的环境变量固定不变导致DP无法实现多机。

为此考虑使用torchrun实现多机并行。

看这篇，LLM实践：分布式训练框架的编程基础

写得太好了，由浅入深。

DP