返回全部题目← 上一题159 / 195下一题 →题库/模型训练与对齐/Q-6237实现 PPO 的采样、优势估计与策略更新流程。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：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 篇腾讯大模型算法实习生2026-10-09暑期实习查看原面经 →手撕ppo收录题集2 个来源，共4 份题集腾讯问答汇编Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →手撕：ppo编码题专题汇编阿东玩 AI · AgentGuide · 1 条原题查看题集 →【强化学习、PPO｜L4】实现PPO。 「百度、腾讯」公司案例问答汇编阿东玩 AI · AgentGuide · 1 条原题查看题集 →项目:是否自己实现过 RLHF 流程?不用框架能否手写 PPO 核心逻辑?强化学习与对齐阿东玩 AI · AgentGuide · 1 条原题查看题集 →PPO与DPO实现 手撕PPO和DPO。手撕PPO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← 上一题写出或实现 DQN 的训练流程。下一题 →实现基于采样回报的策略梯度更新。
