强化学习与对齐
【RL算法概述】LLM中的强化学习了解吗？当前主流的强化学习算法有哪些？除了PPO、DPO和GRPO，还有哪些其他经典强化学习算法？DeepSeek用的是哪种？ 「字节Seed、百度、腾讯、腾讯混元、蚂蚁集团、阿里通义」
原题【RL算法比较】请比较value-based方法（如Q-learning）和policy-based方法（如策略梯度）的优劣，并简述它们的主要区别，各举一个在金融领域的应用场景。 「腾讯、蚂蚁集团」
原题【RL训练经验】强化学习有哪些常用技巧？ 「百度」
原题【多智能体RL】多智能体有哪些形式？ 「蚂蚁集团」
原题【奖励函数设计】强化训练中奖励函数如何起作用的？ 「腾讯」
原题【策略梯度】策略梯度算法的公式？ 「阿里通义」
原题「蚂蚁集团、阿里巴巴」
rollout引擎在RL里到底干什么？
强化学习的训练数据是怎么构建的？
真实采样数量一定等于rollout数量吗？
原题完整原题
【采样方法】rollout引擎在RL里到底干什么？强化学习的训练数据是怎么构建的？真实采样数量一定等于rollout数量吗？ 「蚂蚁集团、阿里巴巴」
介绍强化学习场景生成 「百度」
原题聊了在coding任务上的泛化性，小模型用RL训练做coding任务，是否会被Claude Code取代？ 「字节Seed」
原题【Agentic RL】了解Agentic RL吗？针对你的Agent RL项目，Agent RL和普通的SFT有什么区别和难点？ 「字节跳动、阿里巴巴」
原题
暂无题目