返回全部题目← 上一题55 / 251下一题 →题库/模型训练与对齐/Q-14272强化学习中应怎样设计和选择优势估计方法？知识专题：强化学习与奖励题目类型：方案设计技术难度：进阶相关面经：1 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1 篇腾讯LLM 算法2026-03-29暑期实习一面查看原面经 →后训练了解吗?介绍一下dpo和ppo的区别，grpo以及改进思路，优势函数怎么设计等等相关题目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：4 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：20 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：6 篇♥♥♥♥♥← 上一题已到最后一题← 上一题强化学习训练中的熵坍缩是什么，会带来哪些影响？下一题 →GSPO 使用多维奖励时，怎样组织优化并判断收敛？
