返回全部题目← 上一题161 / 179下一题 →题库/模型训练与对齐/Q-6240实现 DAPO 的动态采样与策略优化流程。知识专题：强化学习与奖励题目类型：代码题技术难度：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 份编码题专题汇编阿东玩 AI · AgentGuide · 1 条原题查看题集 →【DAPO、强化学习、损失函数、clip、奖励函数、优势函数、Soft IoU｜L5】手撕 DAPO 整个过程，包括奖励函数、组内均值、优势函数以及 loss，外部套一层动态采样，我的论文 Soft IoU 是怎么算的也写进来。；另一场次补充：手撕DAPO，没写出来，我说了下loss计算，然后让我打开论文对着公式详细讲一下，并提问clip的作用。 「京东、字节跳动」强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →【DAPO完整实现】手撕DAPO整个过程，包括奖励函数、组内均值、优势函数以及loss，外部套一层动态采样；原记录未说明是否包含Soft IoU计算。部分场次要求手撕DAPO，未写出则需打开论文对着公式详细讲并提问clip的作用。 「京东、字节跳动」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← 上一题实现基于采样回报的策略梯度更新。下一题 →实现从 Rollout 到参数更新的 GRPO 训练流程。
