从零可视化推导 LLM 策略梯度：一道 17×24 讲透 REINFORCE

Tyler Romero 发布图解教程《Policy Gradient for LLMs, Explained Visually》，从零推导用于语言模型的策略梯度（REINFORCE），并指出 PPO、GRPO 等主流 RL 算法都是这一思想的变体。