返回全部题目← 上一题145 / 179下一题 →题库/模型训练与对齐/Q-5221VAPO 如何改进长推理强化学习中的价值与优势估计？知识专题：强化学习与奖励题目类型：原理机制技术难度：深入收录题集：2 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集2 份强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →VAPO（Value-based Alignment PPO）去掉Reference Model后，如何防止模型Collapse？ 「字节跳动」后训练：微调与对齐Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →VAPO 等新方法主要解决什么问题？它们如何改进长推理强化学习训练？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：13 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← 上一题如何用分层强化学习训练高层任务规划与低层工具调用？下一题 →为什么应将上下文压缩纳入长程 Agent 训练，如何验证其作用？
