返回全部题目← 上一题6 / 195下一题 →题库/模型训练与对齐/Q-0212为什么先做 Step-level SFT 再做 GRPO 可能更稳定？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：2 篇未标记未标记待复习已掌握收藏反馈（在 GitHub 新标签页打开）Sorry o(╥﹏╥)o，暂无参考答案。带这道题，问问AI吧~问 AIKimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）本题目录相关面经相关题目相关面经2 篇唯品会大模型算法实习2026-08-05实习查看原面经 →step level 的sft 和GRPO，为什么在GRPO之前要进行sft。唯品会NLP 算法工程师2026-07-18实习一面查看原面经 →为什么 Step-level SFT 之后再进行 GRPO，通常比直接从基座模型开始做 GRPO 稳定相关题目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RLHF/PPO 中 Actor、Critic、Reward Model 和 Reference Model 的职责是什么，为什么需要 KL 约束？下一题 →GRPO 组内奖励相同或方差接近零时，会有什么问题，如何处理？
