← 返回全部题目← 上一题14 / 100下一题 →题库/模型训练与对齐/Q-0524GRPO 如何实现，奖励函数尤其长轨迹奖励如何设计？知识专题：强化学习与奖励题目类型：方案设计技术难度：深入相关面经：2 篇暂无参考答案未标记未标记待复习已掌握收藏本题目录相关面经相关题目相关面经2 篇百度端到端决策规划控制算法工程师2026-09-04秋招二面查看原面经 →GRPO怎么实现的，或者说reward怎么设计的？查看该问上下文 →具体怎么设计的？查看该问上下文 →小米视觉多模态算法工程师（Agent）2026-03-29查看原面经 →5）轨迹模型GRPO微调的奖励怎么设计的查看该问上下文 →6）你觉得长轨迹的奖励应该怎么给查看该问上下文 →相关题目4 题0086如何判断强化学习带来的实际收益？同一知识专题题目类型：项目深挖技术难度：进阶相关面经：2 篇0103强化学习包含哪些主要组件？同一知识专题题目类型：概念解释技术难度：基础相关面经：2 篇0104GRPO 算法如何工作？同一知识专题题目类型：原理机制技术难度：进阶相关面经：6 篇0105On-policy 和 Off-policy 有什么区别？同一知识专题题目类型：比较选型技术难度：进阶相关面经：1 篇← 上一题已到最后一题← 上一题DPO 与 PPO 有什么区别？下一题 →GRPO 和 DAPO 有什么区别？
