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：

3470
一致性奖励与完整性奖励如何定义和评分？
模型训练与对齐强化学习与奖励
项目深挖
进阶
2 篇面经
3472
为什么使用二值奖励，而不采用连续或阶梯式奖励？
模型训练与对齐强化学习与奖励
比较选型
进阶
2 篇面经
3473
用 Qwen-3 等大模型奖励打分时是否需要微调？
模型训练与对齐强化学习与奖励
比较选型
进阶
2 篇面经
3475
RAG 项目为什么没有采用强化学习？
模型训练与对齐强化学习与奖励
比较选型
进阶
2 篇面经
3482
PPO 的 Critic 如何计算，公式是什么？
模型训练与对齐强化学习与奖励
原理机制
进阶
2 篇面经
3542
Reward Model 与 Critic 的网络结构如何设计？
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
3545
Agent 对齐优化为什么选择强化学习，如何与 SFT、DPO、PPO、GRPO 和 RAG 比较？
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
3548
如何从算法机制解释 GRPO 的探索能力和训练稳定性？
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
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1 个题集来源
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1 个题集来源