强化学习与奖励

本分类共 9 个专题 · 1113 道题

6590

SAPO 如何以软门控替代策略优化中的硬裁剪？

模型训练与对齐强化学习与奖励

原理机制

深入

暂无面经 1 个题集来源

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

7483

项目中的 PPO 奖励解耦如何设计，为什么这样做？

模型训练与对齐强化学习与奖励

项目深挖

进阶

7944

Agentic-GRPO 适合哪些业务场景，主要解决什么问题？

模型训练与对齐强化学习与奖励

概念解释

进阶

7946

Agent 红蓝对抗训练如何实现，对抗双方是否由同一智能体承担？

模型训练与对齐强化学习与奖励

方案设计

进阶

8295

PPO 训练不稳定时，应从哪些方面排查？

模型训练与对齐强化学习与奖励

故障排查

进阶

8458

强化学习中的 Return（回报）是什么，如何计算？

模型训练与对齐强化学习与奖励

概念解释

基础

9147

什么是行为克隆，如何用它学习机器人策略？

模型训练与对齐强化学习与奖励

原理机制

进阶

9149

为什么机器人操作任务中经常使用模仿学习？

模型训练与对齐强化学习与奖励

技术决策

进阶

9636

多轮工具调用 Agent 的强化学习损失如何设计与计算？

模型训练与对齐强化学习与奖励

原理机制

进阶