PPO（近端策略优化）
2017 年提出的一族策略梯度方法：在「与环境交互采样数据」和「用随机梯度上升优化一个代理（surrogate）目标」之间交替；课程把它当作 RLHF 第三步的常用引擎。
生产方式：AI 生成AI 生成，仅供参考签发：晓黎学习复核：2026年11月1日被 7 个词条引用
课程核到的 PPO 摘要写了三件事：它是一族策略梯度方法，在「与环境交互采样数据」和「用随机梯度上升优化一个代理（surrogate）目标函数」之间来回交替；标准策略梯度每份数据基本只采一次，PPO 想让同一批数据多轮复用，用剪切控制每步离旧策略不远。
在课程叙事里，PPO 是 RLHF（人类反馈强化学习） 第三步的引擎；GRPO（Group Relative Policy Optimization） 是它的变体，把单独训练的价值网络换成了同题一组样本互相比较来估优势。
相关
RLHF（人类反馈强化学习） GRPO（Group Relative Policy Optimization） 强化学习（Reinforcement Learning）
互链
链接来自概念卡正文里的双链，编译时能解到本期词条集的才成为站内链接。
- 强化学习（Reinforcement Learning）相关概念
- GRPO（Group Relative Policy Optimization）正文引用
- GRPO（Group Relative Policy Optimization）相关概念
- RLHF（人类反馈强化学习）正文引用
- RLHF（人类反馈强化学习）相关概念
反链（7）
出现在哪些课时里（2）
判据与「课时正文里能不能点出来」是同一个：那一节确实提到了它。点课时走当前页跳转， 它是导航，不是词条链接。
- RLHF 三步各吃什么数据大模型后训练：偏好、权重与测得出退化的评测
- GRPO 与只对得上答案的奖励大模型后训练：偏好、权重与测得出退化的评测
关联图
只画这一条与它直接相连的词条，边与上面两区同源。可拖拽、可缩放，点节点是新标签。
出处
路径是本地知识库（Obsidian 库）里的位置，正文与概念卡逐字对应。
- 课程正文用法归纳RLHF 三步各吃什么数据
packages/db/prisma/lesson-content/rlhf-three-stage-pipeline.md - 课程正文用法归纳GRPO 与只对得上答案的奖励
packages/db/prisma/lesson-content/grpo-verifiable-rewards.md - 课程正文用法归纳课程派生词条 · 模型训练与后训练
编译入库：2026年11月2日。词条由知识库编译而来， 修正要回到概念卡改，再重新编译。