为什么稀疏奖励在蒙特卡洛方法中会导致高方差（High Variance）？ 在强化学习（Reinforcement Learning, RL）中，蒙特卡洛方法通过采样完整轨迹（trajectory）来估计状态或动作的价值函数（Value Function）。在优化大型语言模型（LLM）的上下文中，轨迹指的是LLM生成的一个完整响应（f gamma llm 方差 蒙特卡洛 蒙特卡洛方法 2025-06-05 11:57 3
