RLHF 书（Reinforcement Learning from Human Feedback）

Nathan Lambert 的 RLHF 全书中英对照：左栏原文，右栏译文

以 Nathan Lambert《Reinforcement Learning from Human Feedback》（rlhfbook.com）与其中文译本 around133/rlhf-book-zh（译者：晏一夫）为底稿的中英对照全文。从 RLHF 的三个步骤、后训练全景与历史讲起，覆盖指令微调、奖励建模、策略梯度（PPO / GRPO / RLOO）、推理与推理时扩展、直接对齐算法（DPO 及其变体）、拒绝采样、偏好的本质与偏好数据、合成数据与蒸馏、工具使用、过度优化、正则化、评估，以及模型性格与产品的塑造。原文 53 张配图全部保留；每篇都是左右对照：左栏英文原文，右栏对应中文译文，公式、代码、图表标签与引用键保持原样。原文与译文均以 CC BY-NC-SA 4.0 许可发布，仅供学习交流。