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？
原题如何用实验区分“信用分配差”和“探索不足”？
原题异步 rollout 中旧策略轨迹太多会怎样？如何量化和限制 staleness？
原题过程奖励模型错了，比只有最终奖励更危险吗？
原题Reward hacking 在 Coding Agent 中有哪些具体形式？
原题如何判断该继续做 Harness，还是开始做 RL？
原题环境随机性如何破坏 group-relative baseline 的可比性？
原题轨迹长度差 10 倍时，loss 聚合怎样避免偏向长样本或短样本？
原题换了一套工具 schema 后，训练所得策略为什么可能失效？
原题为仓库级 Coding Agent 设计一条 Agentic RL 训练流水线。
原题
暂无题目