Reinforcement Learning for LLM Post-Training: A Survey

En 3 lignesÉtude complète des méthodes de post-entraînement par renforcement pour LLM. Unifie RLHF (DPO), RLVR (PPO, GRPO) et SFT dans un cadre unique de policy gradient. Analyse technique détaillée des approches offline et itératives, avec notation standardisée pour comparaison directe.

Résumé généré par Claude — vérifié par l'humain