返回全部题目← 上一题31 / 206下一题 →题库/模型训练与对齐/Q-11391GRPO 的 KL 惩罚放在 Reward 或 Loss 中有什么区别，系数如何选择？知识专题：强化学习与奖励题目类型：原理机制技术难度：进阶相关面经：1 篇未标记未标记待复习已掌握收藏反馈（在 GitHub 新标签页打开）Sorry o(╥﹏╥)o，暂无参考答案。带这道题，问问AI吧~问 AIKimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）本题目录相关面经相关题目相关面经1 篇月之暗面大模型算法2026-11-05一面、二面查看原面经 →KL 项加在 loss 里还是加在 reward 里，系数给多少，给大了会怎样。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：3 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：14 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：2 篇♥♥♥♥♥← 上一题已到最后一题← 上一题GRPO 训练遇到超长回复时如何截断，并处理对应奖励？下一题 →SFT 后应直接进入强化学习，还是先用拒绝采样进行冷启动？