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：

0220
为什么选择 GRPO，它的优化目标和数学原理是什么？
模型训练与对齐强化学习与奖励
比较选型已有答案
进阶
4 篇面经1 个题集来源
0501
RLHF 奖励模型的训练数据如何构建？
模型训练与对齐强化学习与奖励
方案设计已有答案
进阶
3 篇面经2 个题集来源
0607
GRPO 和 DAPO 有什么区别？
模型训练与对齐强化学习与奖励
比较选型
进阶
1 篇面经4 个题集来源
2468
GRPO 的 Loss 如何计算？
模型训练与对齐强化学习与奖励
原理机制
进阶
4 篇面经1 个题集来源
3547
DPO 与 GRPO 的原理、优缺点和适用场景有何差异？
模型训练与对齐强化学习与奖励
比较选型
进阶
3 篇面经2 个题集来源
4898
马尔可夫过程、奖励过程与决策过程有何联系，马尔可夫性意味着什么？
模型训练与对齐强化学习与奖励
概念解释
基础
2 篇面经3 个题集来源
2913
什么情况下 GRPO 效果较差？
模型训练与对齐强化学习与奖励
故障排查已有答案
进阶
3 篇面经1 个题集来源
3009
PPO 的 Value Model 如何训练？
模型训练与对齐强化学习与奖励
原理机制
进阶
3 篇面经1 个题集来源
3010
PPO 的 Reward Model 如何训练？
模型训练与对齐强化学习与奖励
原理机制
进阶
2 篇面经2 个题集来源
3364
KL 散度有什么作用，为什么使用它？
模型训练与对齐强化学习与奖励
原理机制
进阶
2 篇面经2 个题集来源