记录学习、代码与生活的片刻。
深入拆解 RLHF（基于人类反馈的强化学习）的完整算法流程——从 SFT 到奖励模型、PPO，再到 DPO，理解 LLM 如何从预测下一个 token 走向对齐人类偏好
粉色缎带与光之杖
本来想做个exe来运行的，但是燃尽了打包都没有成功，可惜了，只能做一个py运行，后续出个教程如何运行，然后这个环境需要安装3.10的python才能运行。煮啵已经尽量吧流程做到最简了，燃尽了
流萤飞舞的深空
