强化学习方法、装置、设备、存储介质及产品

本申请公开了一种强化学习方法、装置、设备、存储介质及产品，涉及人工智能技术领域，包括：根据模型处理轨迹数据对历史轨迹缓存进行更新，生成当前轨迹缓存；基于所述当前轨迹缓存、当前模型梯度以及先验知识数据构建方向性梯度修正；根据所述当前模型梯度以及所述方向性梯度修正对所述目标大语言模型的模型参数进行更新。本申请通过提前构建一个由先验知识驱动的方向性梯度修正项，使策略更新不仅依赖于当前的梯度估计，还能融合历史更新轨迹、环境动态特征以及任务相关的结构化知识，解决了传统策略梯度方法在更新方向性、训练稳定性与先验知识融合方面的关键技术瓶颈，提高了强化学习的实际使用效果。