返回全部题目← 上一题75 / 195下一题 →题库/模型训练与对齐/Q-3368较长对话的强化学习奖励如何设计？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 篇题集来源：2 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1 篇字节跳动大模型算法工程师2026-05-08暑期实习一面、二面、三面查看原面经 →比较长的对话，强化学习怎么做reward收录题集2 个来源，共2 份题集强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →【多轮对话Reward Shaping】在多轮对话的RL训练中，如何设计Reward Shaping，以平衡单轮回复质量与全局任务达成率? 「字节跳动」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？多轮对话 RL 如何设计过程奖励与终局奖励，并避免用户模拟器过拟合？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← 上一题了解哪些 GRPO 改进算法？下一题 →奖励什么时候使用模型，什么时候使用规则？
