AlphaGo

大语言模型强化学习面临信用分配与梯度方差暴增的痛点。前DeepMind科学家Eric Jang深入剖析AlphaGo，指出其依靠MCTS与价值网络进行状态重标记分摊搜索空间，而LLM因词表庞大且无规则...