Niina
irorange27动态
人大多都在hack自己的奖励机制，可能我们需要使用一种更为长期的不引导自己产生偏差或者阻碍的行动去hack人类的奖励机制。
人每时每刻在消耗能量，当血糖浓度过高或者过低时，就会出现晕碳或者贫血现象，控制饮食的过程也是一种消耗的负载均衡。
「240206」 等待
我昨天才说2600保卫战，今天居然就快被打到2800了，太牛了，太牛了。
但是后面的声音可能会更加严重，今年也是风云涌动的一年呀。
「230913」
我早已忘记了一些东西，就跟现在一样，早已忘记一些东西。
并不会说，只是无法记起，就等同于遗忘。就是很省力，很简洁，很省事，不用关心的一种行为。What？
我在思考。
「230804」读书是奢侈
如题
最新文章
[搬运] 不敢投入的时代
为什么我们现在越来越不敢投入了。很多时候我们以为的选择，比如你有两个工作offer，现在选择好像是我到底应该考公还是考编。明明这两个选项都不是真正的选项，因为你还没有开始，也不知道最后能不能成。这个时候我们就已经开始犹豫了。
为什么模型上线后，体感像是“降智”了？
权重与 KV cache 的量化都能降低 serving 成本，也可能改变输出；但体感变弱不足以证明服务后来切换了精度。
[译] 深度强化学习入门（三）：策略优化入门
2026年9月28日OpenAI Spinning Up 教程第三部分的全文翻译：推导最简单的策略梯度、log-derivative trick、EGLP 引理、reward-to-go 与基线，配 PyTorch 示例代码。
[译] 深度强化学习入门（二）：强化学习算法的分类
2026年9月28日OpenAI Spinning Up 第二部分的全文翻译：无模型与基于模型的 RL、策略优化与 Q-learning 的取舍，以及规划、专家迭代和经验增强等方法。