返回全部题目← 上一题177 / 179下一题 →题库/模型训练与对齐/Q-6589DSPO 如何通过序列级优化与动态过滤训练搜索推理 Agent？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：1 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1 份强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →【DSPO】DSPO算法：理解其创新点（如动态采样、偏好排序等）。 「美团、腾讯」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← 上一题解耦 PPO 如何区分行为策略、近端策略与当前策略？下一题 →SAPO 如何以软门控替代策略优化中的硬裁剪？
