腾讯问答汇编
Agent强化学习场景Reward Hacking问题高发的底层机理
原题手撕：DSPO算法侧重序列级优化的设计逻辑与优势
原题此处 DSPO 指 Dynamic-filter Sequence-level Policy Optimization（arXiv:2510.09255）。
DeepSeek-V4对比V3版本的核心技术迭代与能力升级
原题DeepSeek-V4大量采用在线策略蒸馏、替代纯RL迭代训练的设计考量
原题DeepSeek-V4的OPD在线策略蒸馏，与常规知识蒸馏的本质区别
原题手撕：偏难）：图像差异最小包围矩形求解
原题手撕：简单）：三数之和解题思路
原题实习介绍和追问
原题怎么评估代码专家对奖励模型的判断是否正确？
原题主要问题都聚焦于怎么从用户角度出发，保证代码质量
原题
暂无题目