yifanzhang-pro /KLPO

Научный метод обучения ИИ-агентов с подкреплением без отдельной «критикующей» модели — исследовательская работа для специалистов.

KLPO (KL-Regularized Policy Optimization) — алгоритм обучения ИИ-агентов методом подкрепления, которому достаточно одного полного прогона ответа на запрос вместо накопления группы вариантов или отдельной оценочной модели. Проект — официальная страница исследования с описанием метода, техническим отчётом и ссылками на код и обучающее руководство. Предназначен для специалистов по машинному обучению, разрабатывающих агентные ИИ-системы.

Описание автора: Official Project Page for KL-Regularized Policy Optimization for Agentic Reinforcement Learning (KLPO)

Python★ 128создан 19 сентября 2026форков 15Apache-2.0

Открыть на GitHub → Сайт проекта

Сколько звёзд прибавилось

Без значка — точная разница ежедневных снимков счётчика GitHub, со значком ≈ — оценка по архиву событий.

Точный счётчик GitHub: +84 звезды с 07:20 21 сентября по 15:20 21 сентября.

Прирост по дням за 3 месяца

23 июня: ≈024 июня: ≈025 июня: ≈026 июня: ≈027 июня: ≈028 июня: ≈029 июня: ≈030 июня: ≈01 июля: ≈02 июля: ≈03 июля: ≈04 июля: ≈05 июля: ≈06 июля: ≈07 июля: ≈08 июля: ≈09 июля: ≈010 июля: ≈011 июля: ≈012 июля: ≈013 июля: ≈014 июля: ≈015 июля: ≈016 июля: ≈017 июля: ≈018 июля: ≈019 июля: ≈020 июля: ≈021 июля: ≈022 июля: ≈023 июля: ≈024 июля: ≈025 июля: ≈026 июля: ≈027 июля: ≈028 июля: ≈029 июля: ≈030 июля: ≈031 июля: ≈01 августа: ≈02 августа: ≈03 августа: ≈04 августа: ≈05 августа: ≈06 августа: ≈07 августа: ≈08 августа: ≈09 августа: ≈010 августа: ≈011 августа: ≈012 августа: ≈013 августа: ≈014 августа: ≈015 августа: ≈016 августа: ≈017 августа: ≈018 августа: ≈019 августа: ≈020 августа: ≈021 августа: ≈022 августа: ≈023 августа: ≈024 августа: ≈025 августа: ≈026 августа: ≈027 августа: ≈028 августа: ≈029 августа: ≈030 августа: ≈031 августа: ≈01 сентября: ≈02 сентября: ≈03 сентября: ≈04 сентября: ≈05 сентября: ≈06 сентября: ≈07 сентября: ≈08 сентября: ≈09 сентября: ≈010 сентября: ≈011 сентября: ≈012 сентября: ≈013 сентября: ≈014 сентября: ≈015 сентября: ≈016 сентября: ≈017 сентября: ≈018 сентября: ≈019 сентября: ≈020 сентября: ≈021 сентября: ≈21523 июняиюльавгсент

Оценка по выборке GH Archive. Бледные столбцы — дни, история за которые ещё загружается.