强化学习与奖励

本分类共 9 个专题 · 761 道题

4918

模仿学习有哪些主要方法，各自学习什么？

模型训练与对齐强化学习与奖励

比较选型

基础

暂无面经 3 个题集来源

6237

实现 PPO 的采样、优势估计与策略更新流程。

模型训练与对齐强化学习与奖励

代码题

深入

1 篇面经 2 个题集来源

6305

对小模型进行强化学习时，训练设计相较大模型应如何调整？

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 个题集来源

0086

如何判断强化学习带来的实际收益？

模型训练与对齐强化学习与奖励

项目深挖已有答案

进阶

0212

为什么先做 Step-level SFT 再做 GRPO 可能更稳定？

模型训练与对齐强化学习与奖励

原理机制

进阶

0259

GUI Agent 奖励如何确认环境状态真实改变，而非只看起来完成？

模型训练与对齐强化学习与奖励

方案设计已有答案

进阶

0609

Reward Model 常用什么结构，与 Value Model 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

1231

智驾场景中如何处理交互博弈、保守策略与多种行为风格？

模型训练与对齐强化学习与奖励

方案设计

进阶

1 篇面经 1 个题集来源

1739

强化学习项目是否与仿真环境交互，各项目是否相同？

模型训练与对齐强化学习与奖励

项目深挖

进阶

1896

项目为什么选择 GRPO 而不选择 DPO？

模型训练与对齐强化学习与奖励

比较选型

进阶

1 篇面经 1 个题集来源