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：

4175
强化学习训练中的拒绝采样如何工作？
模型训练与对齐强化学习与奖励
原理机制
进阶
1 篇面经1 个题集来源
4339
GUI Agent 项目如何实现异步训练？
模型训练与对齐强化学习与奖励
项目深挖
进阶
1 篇面经1 个题集来源
4514
RLHF 为什么常选择 PPO，而不是 REINFORCE 或 Q-learning？
模型训练与对齐强化学习与奖励
比较选型
深入
暂无面经2 个题集来源
4676
RLHF 奖励模型通常采用什么架构，它与待优化语言模型是什么关系？
模型训练与对齐强化学习与奖励
原理机制
进阶
暂无面经2 个题集来源
4680
强化学习训练为什么容易不稳定，哪些收益使它仍值得使用？
模型训练与对齐强化学习与奖励
原理机制
进阶
暂无面经2 个题集来源
4723
什么是过程奖励模型 PRM？
模型训练与对齐强化学习与奖励
概念解释
进阶
暂无面经2 个题集来源
4727
大模型强化学习中的监督冷启动是什么，为什么要使用？
模型训练与对齐强化学习与奖励
原理机制
进阶
1 篇面经1 个题集来源
4903
Q-learning 如何更新动作价值，为什么属于异策略学习？
模型训练与对齐强化学习与奖励
原理机制
进阶
暂无面经2 个题集来源
4912
Actor-Critic 如何分工协作，有哪些优势？
模型训练与对齐强化学习与奖励
原理机制
进阶
暂无面经2 个题集来源
4916
强化学习中有哪些方法可以缓解稀疏奖励问题？
模型训练与对齐强化学习与奖励
方案设计
进阶
暂无面经2 个题集来源