返回全部题目← 上一题67 / 251下一题 →题库/模型训练与对齐/Q-16267GRPO 在 CoT 训练场景下不稳定时，如何定位和改进？知识专题：强化学习与奖励题目类型：故障排查技术难度：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 篇字节跳动推荐算法实习生2026-04-20日常实习一面查看原面经 →grpo在cot场景下不稳定怎么改进相关题目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的样本量如何选择，它怎样影响收敛速度？下一题 →Token 级与序列级强化学习策略优化有什么区别，分别适合哪些训练场景？
