Rayan "SQQP" (born May 22, 2006) is a Saudi Arabian Rocket League player.

基于 Llama-3.2-Vision-11B 模型的实验表明， 监督微调 （SFT）倾向于记忆训练数据，导致模型在规则变化或场景迁移时 泛化能力 差；而强化学习（RL）则更注重学习任务结构，从而具备更强的泛化能力，尤其在经过SFT初步训练后，RL通过多步验证迭代能显著提升模型 ...

2025年2月2日 · MBRL 算法的核心思想是，通过学习环境的 动态模型 和奖励函数，利用这些模型进行规划和决策，从而提高样本效率。 与 Model-Free RL 直接学习策略或价值函数不同， MBRL 首先学习环境的内在模型，然后利用这个模型来指导策略的学习和执行。 这里的核心在于「环境模型」，指的是环境的动态模型和奖励函数。 更具体地说，动态模型描述了在给定状态和动作的情况下，环境将如何转移到下一个状态；而奖励函数则描述了在给定状态和动作的情况下，智能体 …

作为视觉分布外 (OOD) 泛化能力的副产品，我们的多轮强化学习 (RL) 方法在 V-IRL 小型基准测试中实现了最先进的性能，提高了 [+33.8%] (44.0% \rightarrow 77.8%)，突显了强化学习 (RL) 的泛化能力。

2024年11月12日 · Q-learning是RL的很经典的算法，但有个很大的问题在于它是一种表格方法，也就是说它非常的直来之前，就是根据过去出现过的状态，统计和迭代Q值。

2025年2月20日 · Inspired by the success of DeepSeek-R1, we explore the potential of rule-based reinforcement learning (RL) in large reasoning models. To analyze reasoning dynamics, we use synthetic logic puzzles as training data due to their controllable complexity and straightforward answer verification.

2025年1月28日 · This paper studies the difference between SFT and RL on generalization and memorization, focusing on text-based rule variants and visual variants. We introduce GeneralPoints, an arithmetic reasoning card game, and adopt V-IRL, a real-world navigation environment, to assess how models trained with SFT and RL generalize to …

2024年1月3日 · 强化学习 （Reinforcement Learning, RL）的核心概念可简单概括为：一个机器人（Agent）在看到了一些信息（Observation）后，自己做出一个决策（Action），随即根据采取决策后得到的反馈（Reward）来进行自我学习（Learning）的过程。 光看概念或许有些抽象，我们举个例子：现在有一个机器人找钻石的游戏，机器人每次可以选择走到相邻的格子，如果碰到火焰会被烧死，如果碰到钻石则通关。 在这个游戏中，机器人（Agent）会根据当前自己的所在位 …

强化学习（rl）是机器学习中的一个关键方法，关注智能体如何与环境互动以最大化累积奖励。 与依赖标注数据的 监督学习 和在未标注数据中发现模式的 无监督学习 不同，RL强调通 过试错获得直接反馈的学习 方式。

2024年7月18日 · RSL-RL（Reinforcement Learning with State Representation Learning）是一个结合了状态表示学习（SRL）的强化学习框架。 SRL技术使得智能体能够从原始感觉输入中学习到有效的状态表示，这对于处理高维、复杂的环境特别重要。