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 · 704 道题

已筛选

共 179 道题

排序：

4172
KL 散度的 K1、K2、K3 估计方法有什么区别？
模型训练与对齐强化学习与奖励
比较选型
深入
1 篇面经3 份题集
4174
真实采样数量是否一定等于 rollout 数量？
模型训练与对齐强化学习与奖励
原理机制
进阶
1 篇面经2 份题集
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3 份题集
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 份题集
4724
强化学习算法可以按哪些维度分类？
模型训练与对齐强化学习与奖励
概念解释
基础
1 篇面经4 份题集
5546
多轮 Agent 强化学习中如何设计和验证用户模拟器，防止策略过拟合？
模型训练与对齐强化学习与奖励
方案设计
进阶
1 篇面经2 份题集
6669
ToolRL 如何构造工具调用的格式奖励与内容正确性奖励？
模型训练与对齐强化学习与奖励
原理机制
进阶
1 篇面经
3717
DeepSeek R1 的训练过程有哪些关键步骤？
模型训练与对齐强化学习与奖励
原理机制
进阶
暂无面经6 份题集
4497
Agent 工具调用不正确时，如何用 SFT 或强化学习改进？
模型训练与对齐强化学习与奖励
方案设计
深入
暂无面经2 份题集
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 份题集