yifanzhang-pro/KLPO
- Всего звёзд
- 182
- Сегодня
- —Нет данных
Другие действия
Official Project Page for KL-Regularized Policy Optimization for Agentic Reinforcement Learning (KLPO)
Сохрани в «Мои находки», чтобы следить за релизами и ростом звёзд. Сохраняется в этом браузере.
О проекте
KLPO — метод обучения с подкреплением без критика и с одним роллаутом на промпт для агентных языковых моделей: вместо value-модели и групп ответов используются token regression и оценка KL по Монте-Карло. Репозиторий содержит реализацию лосса, CPU-тесты и интеграцию с тренером Molt.
Чем пригодится
- Обучить агентную LLM с лоссом KLPO через готовый лаунчер Molt
- Запустить CPU-пример и проверить все восемь комбинаций route/estimator
- Сравнить оценки MC-KL, TopK-KL, Binary KL и Full KL на небольшой политике
Пересказ README моделью DeepSeek V4.1 Flash. Может ошибаться в деталях. Оригинал README →
Как начать
git clone https://github.com/yifanzhang-pro/KLPO.git
cd KLPO
python -m venv .venv
source .venv/bin/activate
pip install -e '.[test]'
python examples/train_toy.py # Default: token regression + MC-KL, M=128
python examples/train_toy.py --mc-samples 1
python -m pytest -q
Дословно из раздела README «quick start». GitNova эти команды не запускал: перед запуском сверьте с оригиналом. Полная инструкция →
Рост звёзд выглядит естественно. Данные на 5 октября 2026, 23:47 UTC.
Оценка роста звёзд не подтверждает безопасность запуска.
Звёзды по дням
Столбики — звёзды за день UTC; линия — скользящее среднее доступной истории. Пропуски означают отсутствие данных, а не нулевой рост. Сегодняшний столбик неполный. Красным — дни всплесков.
Почему он в тренде
- Для сегодняшнего дня UTC пока недостаточно свежих замеров счётчика. Прирост неизвестен.
- Репозиторию 16 дней, а у него уже 182 звезды.
Замеры роста: последние 7 полных дней
Нет данных за все 7 дней: недельный итог и сравнение не рассчитываются.
Замеры по дням · UTC
- 9 ноября 2026
- —
- 10 ноября 2026
- —
- 11 ноября 2026
- —
- 12 ноября 2026
- —
- 13 ноября 2026
- —
- 14 ноября 2026
- —
- 15 ноября 2026
- —
Полные дни — из истории звёзд GitHub; сегодня и прогнозы исключены из сравнения. История проверена: 29 сентября 2026, 00:16 UTC. Источники и ограничения замеров →
Три GitHub-находки в каждом выпуске
Что делают, почему набирают интерес и что проверить перед использованием.
Выпуски в 10:00, 16:00, 22:00 МСК.
Цифры
- Всего звёзд
- 182
- Сегодня
- Недостаточно замеров за сегодня
- Форков
- 16
- Issues и pull requests
- 1
- Наблюдателей
- 2
- Язык
- Python
- Лицензия
- Apache-2.0
- Создан
- 19 сентября 2026
- Последний коммит
- 21 сентября 2026
Доверие к звёздам
Рост выглядит естественно: форков и обсуждений столько, сколько бывает у живых проектов, а звёзды приходят неровно, как от людей.
Это эвристики, а не приговор: судим по поведению репозитория, а не по списку звездивших.
Где замечен
- 25 сентября 2026Топ новых репозиториев за неделю: #90
- 24 сентября 2026Топ новых репозиториев за неделю: #105
- 23 сентября 2026Топ новых репозиториев за неделю: #101
- 22 сентября 2026Топ новых репозиториев за неделю: #100
- 21 сентября 2026Топ новых репозиториев за неделю: #116