想要更好的阅读体验，欢迎到我的网站阅读：《从零开始的OCR-0——基础篇[RL]》。 从零开始的OCR-0——基础篇[RL] 学习目标： 难度：⭐⭐⭐⭐⭐ 重要性：⭐⭐⭐⭐⭐ 昔日所学，皆是循着前人留下的答案修炼。然而真正的强者，岂能永远止步于模仿？以奖惩为道，以试错为劫……从这一刻起，它将不再只会寻找答案，而是学会自行择道。 RL 是什么？ 前面我们学习的 SFT，是一种监督学习，对于一个问题有且只有一个唯一的正确答案，模型会不断训练输出这个正确的答案。 但是，我们现在想要一些探索性…