返回全部题目← 上一题89 / 251下一题 →题库/模型训练与对齐/Q-18213GRPO 从 Rollout 到奖励、优势计算和参数更新的流程是什么？知识专题：强化学习与奖励题目类型：原理机制技术难度：进阶相关面经：2 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2 篇小米2026-09-11面经合集校招查看原面经 →GRPO在项目中的训练流程，超参数设置思路公司未注明2026-07-26面经合集查看原面经 →**2. GRPO 端到端闭环训练与 Rollout 实现逻辑**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：4 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：20 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：6 篇♥♥♥♥♥← 上一题已到最后一题← 上一题PPO 已有 Critic 网络，为什么还需要 GAE？下一题 →过程奖励怎样参与 Agent 强化学习的信用分配与优势估计？
