已筛选

共 6433 道题

排序:

6583
RiskQ 如何进行风险敏感的多智能体价值分解?
模型训练与对齐强化学习与奖励
原理机制
深入
6584
实现 Token 级与序列级的重要性采样权重。
算法与编程题并发、文件与工程编码
代码题
深入
6585
RLVR 如何利用可验证奖励训练,有哪些适用边界?
模型训练与对齐强化学习与奖励
原理机制
进阶
6586
强化学习训练破坏输出格式时,如何定位与恢复?
模型训练与对齐训练框架、调参与排障
故障排查
进阶
6587
策略对齐中正向与反向 KL 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
6588
解耦 PPO 如何区分行为策略、近端策略与当前策略?
模型训练与对齐强化学习与奖励
原理机制
深入
6589
DSPO 如何通过序列级优化与动态过滤训练搜索推理 Agent?
模型训练与对齐强化学习与奖励
原理机制
深入
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
6601
如何定义产品场景中的低端设备?
软件工程基础客户端与移动端
概念解释
基础
6605
大语言模型有哪些主要能力优势与使用局限?
模型基础与推理模型选型与能力边界
概念解释
基础