强化学习与对齐
【RL训练异常定位】遇到 reward 异常、熵崩溃、显存不足或吞吐下降时，能不能定位原因？ 「字节Seed」
原题【反向KL在对齐中的应用】为什么对齐几乎都用反向KL? 「腾讯」
原题【多轮对话Reward Shaping】在多轮对话的RL训练中，如何设计Reward Shaping，以平衡单轮回复质量与全局任务达成率? 「字节跳动」
原题如果落到代码实现，GRPO的流程原理是什么？ 「字节跳动」
原题【GRPO基本认知】是否了解GRPO？GRPO听说过吗？GRPO是什么？用过GRPO么？ 「美团、阿里巴巴」
原题【DeepSeek-V3强化学习方法】DeepSeek-V3使用的强化学习方法是什么？ 「百度」
原题【GRPO/DAPO on/off-policy】GRPO/DAPO是on-policy还是off-policy思路? 「字节跳动」
原题【GRPO与PPO对比】相比PPO省略了哪一步? 「字节跳动」
原题【GRPO与SFT关系】GRPO跟SFT的关系 「百度文心」
原题【GRPO动机】论文里为什么用GRPO？直接用GRPO不行吗？ 「字节跳动」
原题原题未提供论文身份及被比较的训练路线。
暂无题目