1. 四个模型：

• Policy Model：我们想要训练的目标语言模型。我们一般用SFT阶段产出的SFT模型来对它做初始化。
• Reference Model：一般也用SFT阶段得到的SFT模型做初始化，在训练过程中，它的参数是冻结的。Ref模型的主要作用是防止Actor”训歪”。（我们希望训练出来的Actor模型的输出分布和Ref模型的输出分布尽量相似，使用KL散度衡量两个输出分布的相似度，这个KL散度会用于后续loss的计算）
• Reward Model：用于计算生成token At的即时收益，在RLHF过程中，它的参数是冻结的。
• Value Model：用于预测期望总收益 Vt，和Actor模型一样，它需要参数更新。因为在t时刻，我们给不出客观存在的总收益，只能训练一个模型去预测它。

2. r，GAE，A

图中的r或者说rt的获得：训练模型的输出分布和ref模型的输出分布的KL散度*超参数 + reward 模型的输出。

GAE整合奖励（r）与价值（v），计算优势函数 A，指导策略优化：

3. 重要性权重（新旧策略概率比）

在PPO算法中，​约束重要性权重 有两种主要的约束方式​：Clip机制和KL散度惩罚。

3.1 Clip机制

3.2 KL散度惩罚

将这个公式展开也就是：

4. actor loss 和 critic loss

这两个loss 分别用于优化 policy model 和 value model

1. 如果用clip限制策略更新的幅度下的actor loss：

2. critic loss：

PPO 和 GRPO ：

主要区别：提出一个不需要训练状态价值网络，就可以估算出每个token 优势值的方法，并且这个方法更适合训练大模型生成强化学习这个场景。