返回全部题目← 上一题42 / 195下一题 →题库/模型训练与对齐/Q-1750手写 PPO Loss。知识专题：强化学习与奖励题目类型：代码题技术难度：深入相关面经：2 篇题集来源：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）本题目录相关面经收录题集相关题目相关面经2 篇蚂蚁集团2026-09-23面经合集查看原面经 →写一下ppo算法的损失函数和GAE优势函数。查看该问上下文 →PPO的原理？从维护的四个model讲，再详细讲一下训练流程和损失函数各个参数含义？查看该问上下文 →百度端到端决策规划控制算法工程师2026-09-03一面查看原面经 →b PPO loss收录题集1 个来源，共4 份题集算法岗专项面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →手推 PPO 损失函数，并解释 Clipped Objective 的作用大模型手写代码练习路线阿东玩 AI · AgentGuide · 1 条原题查看题集 →PPO Clipped Loss· 中等 🟡 中等 — ratio clip 目标，RLHF 阶段经典算法后训练核心函数练习阿东玩 AI · AgentGuide · 1 条原题查看题集 →ppo_clip_loss理论基础面试题阿东玩 AI · AgentGuide · 1 条原题查看题集 →是否自己实现过 RLHF 流程？不用框架能否手写 PPO 核心逻辑？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← 上一题项目为什么没有采用 TD3？下一题 →项目为什么选择 GRPO 而不选择 DPO？
