返回全部题目← 上一题142 / 195下一题 →题库/模型训练与对齐/Q-4944《Deep RL from Human Preferences》如何从人类偏好学习奖励并优化策略？知识专题：强化学习与奖励题目类型：原理机制技术难度：深入题集来源：1 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1 个来源，共1 份题集模型微调与适配AMIT SHEKHAR · ai-engineering-interview-questions · 1 条原题查看题集 →What is Deep RL from Human Preferences, the paper that started RLHF?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← 上一题逆强化学习如何从专家示范推断奖励并学习策略？下一题 →基于提示的 Agent 与经强化学习优化的 Agent 有何区别，如何选择？
