强化学习与ChatGPT：PPO 算法介绍和实际应用(中文介绍）

Игорь Котенков - RLHF Intro: from Zero to Aligned Intelligent Systems

Reinforcement Learning from Human Feedback explained with math derivations and the PyTorch code.

深度强化学习(1/5)：基本概念 Deep Reinforcement Learning (1/5)

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

REINFORCE: Reinforcement Learning Most Fundamental Algorithm

Proximal Policy Optimization (PPO) - How to train Large Language Models

Александр Голубев - Воркшоп по LLM + RLHF

上手代码复现DeepSeek R1强化学习训练演示

Proximal Policy Optimization (PPO) is Easy With PyTorch | Full PPO Tutorial

State of GPT | BRK216HFS