L74211的博客

原创 强化学习算法演进与 DeepSeek-V4 后训练方法论（不抠公式，做概念讲解）

本文从强化学习（Reinforcement Learning, RL）的算法谱系出发，以 Value-based 与 Policy-based 两大分支为框架，系统梳理了从 Monte Carlo、Q-learning 到 GRPO 的算法演进脉络，着重阐明各节点之间的继承关系与设计动机。