← 返回全部题目← 上一题67 / 100下一题 →题库/模型训练与对齐/Q-3010PPO 的 Reward Model 如何训练？知识专题：强化学习与奖励题目类型：原理机制技术难度：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本题目录相关面经相关题目相关面经1 篇百度Agent 应用开发工程师2026-07-07一面、二面查看原面经 →PPO 里的 value model / reward model 怎么训练相关题目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：2 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：6 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：1 篇← 上一题已到最后一题← 上一题PPO 的 Value Model 如何训练？下一题 →GRPO 的 Reward 能否迁移到 PPO？
