真面经，好答案。面试之前，先来面栈。

强化学习与奖励

本分类共 9 个专题 · 761 道题

已筛选

共 195 道题

排序：

2697
SFT、DPO、PPO 与 GRPO 的目标、机制和适用条件如何比较？
模型训练与对齐强化学习与奖励
比较选型
进阶
11 篇面经7 个题集来源
0104
GRPO 算法如何工作？
模型训练与对齐强化学习与奖励
原理机制已有答案
进阶
14 篇面经3 个题集来源
2490
GRPO 相比 PPO 做了哪些改进？
模型训练与对齐强化学习与奖励
比较选型已有答案
进阶
13 篇面经4 个题集来源
0515
DPO 与 PPO 有什么区别？
模型训练与对齐强化学习与奖励
比较选型已有答案
进阶
10 篇面经5 个题集来源
0514
PPO 算法原理是什么？
模型训练与对齐强化学习与奖励
原理机制已有答案
进阶
10 篇面经4 个题集来源
0736
什么是 Reward Hacking，如何识别、定位并治理？
模型训练与对齐强化学习与奖励
故障排查已有答案
进阶
10 篇面经4 个题集来源
2704
如何根据业务目标设计强化学习奖励？
模型训练与对齐强化学习与奖励
方案设计已有答案
进阶
10 篇面经1 个题集来源
0524
GRPO 如何实现，奖励函数尤其长轨迹奖励如何设计？
模型训练与对齐强化学习与奖励
方案设计已有答案
深入
6 篇面经3 个题集来源
2675
如何判定 SFT 可以结束并进入强化学习阶段？
模型训练与对齐强化学习与奖励
方案设计
进阶
7 篇面经2 个题集来源
0169
RLHF/PPO 中 Actor、Critic、Reward Model 和 Reference Model 的职责是什么，为什么需要 KL 约束？
模型训练与对齐强化学习与奖励
原理机制已有答案
进阶
5 篇面经3 个题集来源