Lamberts Buch entstand aus einer persönlichen Dokumentations-Website, die er 2024 startete, weil er zu zentralen Post-Training-Methoden kaum strukturiertes Lernmaterial finden konnte. Themen wie Rejection Sampling, Outcome Reward Models und Character Training waren auch zu diesem Zeitpunkt im Netz kaum fundiert aufbereitet. Das fertige Werk gliedert sich so, dass rund 25 % des Inhalts rein auf Reinforcement-Learning-Algorithmen entfällt – von der Herleitung des Policy-Gradient-Theorems über REINFORCE und RLOO bis hin zu modernen Varianten wie GSPO und CISPO. Ein zentrales Kapitel befasst sich mit Loss Aggregation, dem Konzept, das später DAPO und Dr. GRPO als frühe GRPO-Varianten hervorbrachte, sowie mit Truncated Importance Sampling, der Technik, die PPO in frühen RL-Experimenten erst stabil machte. Auf der Systemseite erklärt Lambert asynchrones RL mit getrennten GPU-Pools für Learner (Gradientenschritte) und Actors (Rollout-Generierung) als das seit Jahren stabile Grundgerüst, auf das agentische Aufgaben lediglich weitere Infrastruktur aufsetzen. Kurz vor Redaktionsschluss ergänzte Lambert noch einen Abschnitt zu On-Policy Distillation. Die physische Ausgabe ist bei Manning und Amazon US bereits lieferbar; die Amazon-UK-Ausgabe folgt im Oktober 2026.