Agentic RL 面试指南
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