返回全部题目← 上一题70 / 195下一题 →题库/模型训练与对齐/Q-3174智能点餐场景的多轮 RL Reward 如何设计？知识专题：强化学习与奖励题目类型：方案设计技术难度：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 篇海底捞大模型算法工程师2026-05-26查看原面经 →追问面试官追问多轮RL的reward怎么设计？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GRPO 中 KL 散度损失如何计算实现？下一题 →简单介绍后训练和强化学习。