返回全部题目← 上一题184 / 195下一题 →题库/模型训练与对齐/Q-8295PPO 训练不稳定时，应从哪些方面排查？知识专题：强化学习与奖励题目类型：故障排查技术难度：进阶相关面经：1 篇暂无参考答案未标记未标记待复习已掌握收藏问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）自动带入当前题目反馈（在 GitHub 新标签页打开）本题目录相关面经相关题目相关面经1 篇文远知行、MiniMax2026-10-27面经合集查看原面经 →PPO训练不稳定时有哪些排查手段相关题目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Agent 红蓝对抗训练如何实现，对抗双方是否由同一智能体承担？下一题 →强化学习中的 Return（回报）是什么，如何计算？
