强化学习与奖励

9 个专题 · 270 道题

3471

奖励函数是否依赖 Ground Truth，如何用大模型评分？

模型训练与对齐强化学习与奖励

方案设计

进阶

3472

为什么使用二值奖励，而不采用连续或阶梯式奖励？

模型训练与对齐强化学习与奖励

比较选型

进阶

3473

用 Qwen-3 等大模型奖励打分时是否需要微调？

模型训练与对齐强化学习与奖励

比较选型

进阶

3475

RAG 项目为什么没有采用强化学习？

模型训练与对齐强化学习与奖励

比较选型

进阶

3482

PPO 的 Critic 如何计算，公式是什么？

模型训练与对齐强化学习与奖励

原理机制

进阶

3542

Reward Model 与 Critic 的网络结构如何设计？

模型训练与对齐强化学习与奖励

方案设计

进阶

3545

Agent 对齐优化为什么选择强化学习，如何与 SFT、DPO、PPO、GRPO 和 RAG 比较？

模型训练与对齐强化学习与奖励

比较选型

进阶

3547

DPO 与 GRPO 的原理、优缺点和适用场景有何差异？

模型训练与对齐强化学习与奖励

比较选型

进阶

3548

如何从算法机制解释 GRPO 的探索能力和训练稳定性？

模型训练与对齐强化学习与奖励

原理机制

进阶

3717

DeepSeek R1 的训练过程有哪些关键步骤？

模型训练与对齐强化学习与奖励

原理机制

进阶

暂无面经 1 份题集