经典之作PPO算法：曾被NeurIPS拒了

PPO（近端策略优化）算法曾被NeurIPS 2017拒稿，后因在大语言模型的RLHF和后训练中展现出卓越的稳定性与可扩展性而成为核心基础算法，其影响力远超原始设计预期，折射出学术评价与产业需求间的错位。