返回全部题目← 上一题108 / 195下一题 →题库/模型训练与对齐/Q-4517强化学习如何解决信用分配，Token 级和序列级奖励有什么区别？知识专题：强化学习与奖励题目类型：比较选型技术难度：深入题集来源：4 个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）本题目录收录题集相关题目收录题集4 个来源，共10 份题集LLM、VLM 与 Agent 面试题Datawhale · hello-agents · 1 条原题查看题集 →如何解决信用分配问题？token级别和seq级别的奖励有何不同？训练、数据与模型优化：从数据清洗到 LoRAOnefly · zero2Agent · 2 条原题查看题集 →多轮 Agent 的 RL reward 怎么设计？Turn 级信用分配怎么做？多工具调用存在依赖关系时，Reward 应如何做信用分配？算法岗专项面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →Token 级别奖励 vs Seq 级别奖励Agentic RL 面试指南阿东玩 AI · AgentGuide · 2 条原题查看题集 →为什么把最终奖励广播给全部 token 有问题？过程奖励模型错了，比只有最终奖励更危险吗？后训练综合问答阿东玩 AI · AgentGuide · 1 条原题查看题集 →Token-level reward 和 Sequence-level reward 区别？展开剩余 5 份题集强化学习与对齐阿东玩 AI · AgentGuide · 5 条原题查看题集 →【信用分配】RL的信用分配是怎么做的？ 「腾讯」Agentic RL Agentic RL相关问题： 「字节跳动、拼多多、阿里巴巴」为什么多轮Agentic RL会存在信用分配（credit assignment）问题？【GRPO奖励设计】GRPO的reward是每一条序列一个还是每个token一个？ 「京东」展开其余 2 条原题Token在PPO和GRPO当中是如何被计算的？ 「京东」GRPO训练问题与现象： 「字节跳动、百度、美团、腾讯、阿里巴巴」GRPO信用分配问题。理论基础面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →如何解决信用分配问题？token级别和seq级别的奖励有何不同？阿里巴巴问答汇编Rocky Ding · AIGC-Interview-Book · 2 条原题查看题集 →Agent强化学习仅依靠最终结果设计奖励是否够用，多步工具轨迹如何做信用分配？过程奖励和结果奖励的本质区别是什么？过程奖励的奖励信号从哪来？如何解决过程奖励信号的偏差vivo高频面试题Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →强化学习是优化端到端结果，还是优化单步决策？大模型原理追问Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →为什么说信用对齐（credit assignment）仍然是问题？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 为什么常选择 PPO，而不是 REINFORCE 或 Q-learning？下一题 →RLHF 奖励模型通常采用什么架构，它与待优化语言模型是什么关系？
