📄️ 概述〇、强化学习整体图景：一张图看懂角色与数据流📄️ 大模型强化学习建模思路OpenAI 大模型强化学习（RLHF）三段式建模流程📄️ 策略梯度法公式推导一、策略梯度法（Policy Gradient）解决了什么问题？📄️ 入门案例：CartPole + REINFORCE（含代码逐行解读）一、本案例的目标📄️ 基线（Baseline）原理与优势函数一、基线到底在解决什么问题？——从「梯度全是正号」说起📄️ 重要性采样：换一个「采样分布」还能算对吗？🎯 一句话定位：