Agentic RL 面试指南
Agentic RL 与普通单轮 RLVR 的核心差别是什么？
原题为什么工具型 Agent 更接近 POMDP？
原题为什么把最终奖励广播给全部 token 有问题？
原题SFT 与 Agentic RL 怎样配合？
原题什么任务不应该上 Agentic RL？
原题工具返回是否计算 loss？
原题如何防止早停骗奖励？
原题GRPO 搬到多轮 Agent 会先遇到什么问题？
原题同一次 rollout 中三个并行 tool call 算一个 action 还是三个？两种建模如何影响信用分配？
原题强制 max_steps 截断的轨迹应该记失败、丢弃还是 bootstrap？各自隐含什么语义？
原题
暂无题目