写给 LLM 读者的强化学习术语：一个分数如何分到每个 token

导读

马东锡 NLP 发布长文《写给 LLM 读者的强化学习术语》，用一个"Is OpenAI open?"的例子串讲 policy、state、action、reward、return、value、advantage 等 RL 术语。