非官方社群翻譯（Unofficial Community Translation） 本專案為 Nathan Lambert《Reinforcement Learning from Human Feedback》（2026-07-01 版）的繁體中文（zh-TW）全譯本，由台灣 Twinkle AI Community 翻譯維護，已獲原作者知悉（rlhf-book#472）。依 CC BY-NC-SA 4.0 授權，僅供學習研究、不得作商業用途。支持原作者請購買實體書。

📖 線上閱讀：https://apps.twinkleai.tw/rlhf-book-zh-tw/

除了全書翻譯，每一章都配備一個互動實驗，讓讀者能動手操作該章的核心概念——從 Bradley-Terry 偏好機率、PPO 裁剪目標、GRPO 群組優勢，到 DPO 損失曲面與前向／反向 KL 的收斂行為。

├── content/                     # 逐章翻譯的獨立 Markdown（17 章 + 3 附錄 + 參考文獻）
├── webapp/                      # 互動式網站（純靜態、完全離線可用）
│   ├── index.html               # 目錄首頁
│   ├── chapters/*.html          # 每章一頁（內嵌翻譯內容）
│   └── assets/                  # 樣式、渲染器、互動元件、插圖、本地函式庫
└── build.py                     # 建置腳本：content/*.md → webapp 頁面

cd webapp && python3 -m http.server 8642   # 瀏覽 http://localhost:8642

修改 content/*.md 或新增 webapp/assets/widgets/*.js 後重新執行 python3 build.py。

• 專有名詞第一次出現採「中文（English）」，常用縮寫（RLHF、PPO、DPO、SFT…）保留英文
• 數學式以 LaTeX 轉錄，公式編號沿用原書（\tag{n}）
• 文獻引用標記 [N] 對應 content/bibliography.md（保留原文）
• 程式碼區塊保留原文，註解翻譯

發現翻譯問題歡迎開 issue 或 PR。

This is an unofficial Traditional Chinese (zh-TW) community translation of Reinforcement Learning from Human Feedback by Nathan Lambert (2026-07-01 edition), maintained by the Twinkle AI Community in Taiwan, acknowledged by the author in rlhf-book#472.

Beyond the full translation, every chapter ships with an interactive lab — a hands-on demo of the chapter's core concept (Bradley-Terry explorer, PPO clipping / GRPO group-advantage playground, DPO loss explorer, forward/reverse KL visualizer, and more).

Read online: https://apps.twinkleai.tw/rlhf-book-zh-tw/

Licensed under CC BY-NC-SA 4.0, same as the original chapters. Non-commercial; full attribution to the original author. Please support the author by purchasing the print edition.

Please cite the original book:

@book{rlhf2026lambert,
  author       = {Nathan Lambert},
  title        = {Reinforcement Learning from Human Feedback},
  year         = {2026},
  publisher    = {Online},
  url          = {https://rlhfbook.com},
}