课程讨论RL中KL惩罚、反向KL视角及RL为何比SFT更利于泛化。
推荐理由：有价值处在把KL惩罚、奖励过优化和智能体rubric控制连起来；这对应当前RL训练从对齐转向代理任务时的稳定性难题。
阅读原文