TL;DR Too Long; Didn’t Read，太长没仔细看
S status
A action
R reward
下标 a~π：读作 a 服从分布 π
a：action，智能体当前选择的动作
π：Policy（策略），大模型 / 强化学习里就是策略模型，输入状态 s ，输出每个动作 a 的选择概率分布
π 是一个函数 π(a | s) = P(选动作a | 当前状态s)
输入当前环境状态 s，输出所有动作的概率分布，这就是一套完整决策策略：给定任意场景，告诉每种行为该以多大概率执行
早期控制论、马尔可夫决策过程（MDP）文献，统一用小写希腊字母 π 代表策略映射函数，学界约定俗成记号
确定性策略：π 直接输出唯一动作，比如看到红灯一定停车
随机策略（LLM/PPO 使用）：输出概率分布，即 π(a | s)
Actor 是训练后的对话大模型，数学上记为策略 π
核心功能：接收一段上下文，输出词典里每个字（token）的生成概率
用户输入 prompt：今天天气很
词典里候选 token：好、差、冷、热、猫
Actor 模型跑一遍后，输出一组概率：好：70%；冷：20%；热：8%；差：1.8%；猫：0.2%
这一组概率分布，就是策略 π 在当前状态下给出的动作分布
如果是确定性输出（贪心解码）：直接选概率最高的好，固定输出。
但 RL 训练、日常生成对话用随机采样 a~π ：按照上面的概率抽签选下一个 token：70% 抽中好；20% 抽中冷；小概率抽到别的字
随机采样输出文本：完整生成整条回答的流程（逐 token 循环）
- 输入 prompt：今天天气很
- Actor (π) 算出所有 token 概率分布
- 按概率随机采样 1 个 token，比如抽到好
- 把 今天天气很+好 拼接成新上下文，再丢回 Actor
重复步骤 2-4，不断采样下一个字，直到生成结束标记，完整回答就出来了
为什么 RL/PPO 不能直接贪心选最高概率
- 如果每次固定选概率最高 token，回答会千篇一律，缺乏多样性
- 强化学习需要多条不同回答样本送入 RM 打分，才能计算奖励、更新模型
- 公式里的期望 Ea~π，本质就是对「所有可能采样出来的回答」算平均收益，只有随机采样才能模拟这个期望
状态价值贝尔曼方程
γ 国际音标/ˈɡæmə/，中文标准读法伽马
动作价值Q贝尔曼方程
在状态 s 做出动作 a 的长期预期总回报 = 执行 a 拿到的即时奖励，加上 γ 折扣后的「下一状态 s’ 能取到的最优长期回报」，再对所有可能出现的下一状态 s’ 做概率平均 E
最优贝尔曼方程，是 Q-learning 这类强化学习算法的核心，它假设从下一步开始全程都用最棒的策略决策
示例
V 和 Q 的区别![]()
其他补充
总结
贝尔曼方程就是把 “短期收益” 和 “长期未来收益” 绑定在一起，让模型不只看眼前奖励，学会长远最优决策
