强化学习与奖励

9 个专题 · 270 道题

2702

GRPO 如何估计组内优势？

模型训练与对齐强化学习与奖励

原理机制

进阶

2703

轨迹级奖励与 Token 级优化之间如何分配贡献？

模型训练与对齐强化学习与奖励

原理机制

进阶

2772

GRPO 生成只命中商品 SID 前两个 Token 时如何给奖励？

模型训练与对齐强化学习与奖励

方案设计

进阶

2790

如何平衡强化学习训练效率与稳定性？

模型训练与对齐强化学习与奖励

方案设计

进阶

2794

小模型做强化学习是否有效，如何选择模型与每轮数据规模？

模型训练与对齐强化学习与奖励

比较选型

进阶

2834

GRPO 训练数据应满足哪些要求？

模型训练与对齐强化学习与奖励

方案设计

进阶

2848

A2C 的基本原理是什么？

模型训练与对齐强化学习与奖励

原理机制

进阶

2914

为什么选择 DPO 而不选择 GRPO？

模型训练与对齐强化学习与奖励

比较选型

进阶

3009

PPO 的 Value Model 如何训练？

模型训练与对齐强化学习与奖励

原理机制

进阶

3010

PPO 的 Reward Model 如何训练？

模型训练与对齐强化学习与奖励

原理机制

进阶