---
title: "B01 — Godot-RL-Brücke für Neural Foundations"
sidebar:
  label: "B01 — Godot-RL-Brücke"
---

<span id="b01-godot-rl-brucke-fur-neural-foundations" />


[← Diagnose & Lernpfad](/de/diagnostic) · [F01 — Python & NumPy →](/de/foundations-01-python-numpy) · [Glossar](/de/glossary)

**Nur wenn du den Godot-RL-Kurs abgeschlossen hast; sonst geht es mit
[F01 — Python & NumPy](/de/foundations-01-python-numpy) weiter.**

## Zweck [#zweck]

Diese kompakte Seite erkennt nachgewiesene Godot-RL-Fähigkeiten an, ohne ein
Kurszertifikat mit einem Nachweis gleichzusetzen. Löse die Aufgaben und
wiederhole nur Grundlagenblöcke mit fehlender Evidenz.

## Transferkarte [#transferkarte]

| Godot-RL-Grundlage | LLM-Grundlage | Jetzt prüfen oder lernen |
| --- | --- | --- |
| gewichtete Summe, Bias, Aktivierung | Neuron und MLP | F04-Shapes und einen Gradienten prüfen |
| Schichten und Forward Pass | Token-Repräsentationspipeline | `[B,T,C]`-Zeitachse in F02 ergänzen |
| Loss und Backpropagation | Next-Token-Cross-Entropy | Vokabular-Softmax und F03-Loss lernen |
| Policy-Logits | Next-Token-Logits | beide normieren Scores; Pretraining hat gelabelte Folgetoken |
| PyTorch-Training | PyTorch-LLM-Training | Gradientenlöschen und kausale Target-Shapes prüfen |
| Fehlerdiagnose | Experimentdiagnose | Trace, Baseline, Seed und Reparaturnachweis behalten |
| ONNX/native Inferenz | optimierte LLM-Inferenz | später autoregressives Decoding und KV-Cache ergänzen |

## Zwanzig-Minuten-Nachweis [#zwanzig-minuten-nachweis]

1. Leite `[4,8,64]` aus Aktivierungen `[4,8,32]` und Gewicht `[32,64]` ab.
2. Berechne Softmax und beide Target-Losses für Logits `[2,0]`.
3. Erkläre, warum gewöhnliches Next-Token-Pretraining keinen Reward nutzt.
4. Ermittle für `(2x+1)²` bei `x=3` per Kettenregel und Central Difference den Gradienten 28.
5. Führe mit Seed 7 ein PyTorch-Update `[4,3] → [4,2]` mit endlichen Gradienten aus.

| Ergebnis | Pfad |
| --- | --- |
| alle fünf selbstständig | direkt zum gemeinsamen F06-Checkpoint |
| eine Antwort mit Hilfe | zugehörigen F02–F05-Abschnitt wiederholen, dann F06 |
| kritischer Shape-, Loss- oder Gradientenfehler | ganzen betroffenen Block, dann F06 |

Überspringe F03 nicht allein deshalb, weil Policy-Netze ebenfalls Logits
ausgeben: Vokabularziele, Sequenzachsen, kausale Maskierung und
Likelihood-Training sind neu.

## Wie geht es weiter? [#wie-geht-es-weiter]

Absolviere den gemeinsamen [F06-Checkpoint](/de/foundations-06-pytorch-checkpoint).
Er ist für beide Einstiegspfade identisch.

[← Diagnose & Lernpfad](/de/diagnostic) · [F01 — Python & NumPy →](/de/foundations-01-python-numpy) · [Glossar](/de/glossary)
