返回全部题目← 上一题27 / 33下一题 →题库/模型训练与对齐/Q-6238实现奖励模型的打分与训练。知识专题：偏好对齐题目类型：代码题技术难度：进阶题集来源：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2 份题集编码题专题汇编阿东玩 AI · AgentGuide · 1 条原题查看题集 →强化学习、奖励模型、策略梯度 手写奖励模型与策略梯度更新手写奖励模型强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →奖励函数设计 手写奖励模型与策略梯度更新。手写奖励模型相关题目4 题0273SFT 与偏好数据如何构建，如何控制数据污染和分布偏移？同一知识专题题目类型：方案设计技术难度：进阶相关面经：1 篇0275如何从 KL 约束的强化学习目标推导 DPO 目标？同一知识专题题目类型：原理机制技术难度：深入相关面经：1 篇0604DPO 中好坏样例生成概率都下降的问题如何理解？同一知识专题题目类型：原理机制技术难度：进阶相关面经：1 篇0605DPOP 的全称是什么？同一知识专题题目类型：原理机制技术难度：进阶相关面经：1 篇♥♥♥♥♥← 上一题已到最后一题← 上一题实现 Bradley–Terry 成对奖励模型损失。下一题 →DPO 与 GRPO 如何串行训练，并判断阶段衔接是否有效？
