英文：REINFORCE 分类：training
最基础的政策梯度强化学习算法：按动作概率的对数似然乘以奖励更新策略，让高奖励动作更可能被选择。是大模型 RL 训练（如 RLHF 的 PPO 家族）的理论基石。
公式：∇J(θ)=E[R·∇log π(a|s)]，引入基线（如价值函数）降低方差；需注意奖励尺度与熵正则（防策略坍缩）。相比 PPO 等现代算法，REINFORCE 样本效率低，但简单可解释，变体（REINFORCE++、GRPO 的无评论家简化）在 LLM 对齐中复兴。
用于大模型 RLHF/RLVR（DeepSeek-R1 的 GRPO 即其无价值网络变体）、策略优化研究与游戏/控制任务；是理解"奖励驱动智能"的入门算法。