# 近端策略优化

StableVicuna-13B是基于Vicuna-13B v0模型，通过人类反馈强化学习（RLHF）和近端策略优化（PPO）在多种对话和指令数据集上进行微调的产物。

这是一个基于PPO算法的强化学习模型，专门用于解决LunarLander-v2环境中的着陆任务。