Nathan Lambert RL BOOK 学习笔记

学习 Nathan Lambert 强化学习（RL）专著的读书笔记，聚焦大模型时代的 RLHF、PPO、DPO 等核心技术。

笔记列表

• 对话模板与监督微调 — IFT/SFT、对话模板、指令结构
• 奖励建模 — Bradley-Terry 模型、偏好学习
• 强化学习 — 策略梯度、RLHF 训练循环