（+微:hywyysxs）
02. MBPO🌒-PP🙈O框架在想🦟🧲象环境里训练策🍵🇫🇮略！ 有了靠↪🇵🇬谱的世界模♨型，下一步就是💖🙅♂️用它来🇲🇴📪训练控制策👨✈️🥝略🥘☀。这个奖励在数学上👷♀️💧等价于反🇸🇮🚋向KL散度👩👧👦（一种衡量💰👛两个概🇨🇭🤸♀️率分布相似程度📟的指标✋）的负🇲🇳🧸值🇵🇪🦹♀️。
他完全🎛错了吗？是完全没🧒🇸🇿有这种可能还是他🈸🇩🇰的概率错了？ 🎉📗Jensen H🔃uang♟️🏴： 他完全错在🥌一个地方：他所说🛣🥘的逻辑忽略🥧🙃了，有一大群聪明💷🇨🇫人正在🐱🍰努力防止这种事情👩💼发生🍄。这就是为什么 G🇲🇱PU 的消耗👩🦱🇻🇦量会一飞冲🇹🇱天，甚至我们四五🇦🇬🎏年前卖出去的 ♓GPU，现在👩👩👧👦🇵🇸价格涨得比好🇯🇴酒还快🐒。
