去年年底，如果你问一个做大模型的工程师"强化学习训练到底要花多少钱、怎么花"，大概率得不到一个具体答案。这不是因为大家藏着不说,而是整个行业对这件事还处在摸索阶段。强化学习（RL）这个词听起来简单,就是让模型自己尝试、自己犯错、自己从反馈里学习,但真 ...