强化学习与对齐
DQN相关问题：
「字节跳动、腾讯混元」
写一下DQN的伪代码。
强化学习中的Q值是怎么学习的，讲解TD loss。
原题完整原题
【DQN】DQN相关问题：1. 写一下DQN的伪代码。2. 强化学习中的Q值是怎么学习的，讲解TD loss。 「字节跳动、腾讯混元」
【GAE】GAE的原理是什么？它有哪些参数（如λ）？一般如何调参？为什么λ经常设置成0.95？ 「字节Seed、腾讯、阿里巴巴」
原题【On-policy vs Off-policy】请解释on-policy和off-policy的区别、各自的优缺点以及适用场景；能否混搭policy/Off-policy？ 「腾讯、蚂蚁集团、阿里巴巴、阿里通义」
原题【PPO】为什么策略更新幅度大了就会不好？以及为什么clip比trust region更实用？ 「京东、百度」
原题【RL vs 模仿学习】为什么要分为模仿学习和强化学习两个阶段？ 「字节跳动」
原题「字节跳动、蚂蚁集团」
了解AGI相关的强化学习算法吗(RLHF/PPO等)? 传统强化了解多少？
reinforce++了解吗？
有提到借鉴了Transformer的作为强化学习的编码器，那么Transformer在其中起到了什么作用？和提到的LSTM的优劣是什么？
原题完整原题
【RL算法概述】了解AGI相关的强化学习算法吗(RLHF/PPO等)? 传统强化了解多少？reinforce++了解吗？有提到借鉴了Transformer的作为强化学习的编码器，那么Transformer在其中起到了什么作用？和提到的LSTM的优劣是什么？ 「字节跳动、蚂蚁集团」
【RL算法选型】RL算法选型要考虑哪些因素? 「字节跳动」
原题RL训练经验相关问题：
「京东、字节跳动、美团、腾讯、蚂蚁集团、阿里巴巴」
做到什么程度可以进行RL？
同步RL的代价？
同轨迹策略版本不一致？
如何理解RL初期可能出现reward先下降，然后逐步上升的状态？
展开其余 5 个小问
强化学习梯度传播的问题，有没有用detach？
强化学习的灾难性遗忘的问题。
RL训练前期学不动怎么办？
为什么使用强化学习会存在训练不稳定问题？
做RL时同组内样本差别不大怎么处理？
原题完整原题
【RL训练经验】RL训练经验相关问题：1. 做到什么程度可以进行RL？2. 同步RL的代价？3. 同轨迹策略版本不一致？4. 如何理解RL初期可能出现reward先下降，然后逐步上升的状态？5. 强化学习梯度传播的问题，有没有用detach？6. 强化学习的灾难性遗忘的问题。7. RL训练前期学不动怎么办？8. 为什么使用强化学习会存在训练不稳定问题？9. 做RL时同组内样本差别不大怎么处理？ 「京东、字节跳动、美团、腾讯、蚂蚁集团、阿里巴巴」
【优势函数】RL中为什么要用优势函数(advantage)，而不直接用原始奖励？ratio、advantage、returns分别如何理解？V_target怎么来的？为什么要使用多步时序估计优势？ 「字节跳动、腾讯、阿里巴巴」
原题【信用分配】RL的信用分配是怎么做的？ 「腾讯」
原题
暂无题目