为什么选 PPO,以及对其他强化学习方法的了解
哪些公司问过
答案要点
- PPO 是 on-policy Actor-Critic,用概率比裁剪限制每次策略更新幅度,训练稳定
- 相比 TRPO 只需一阶优化,实现简单,同批数据可多轮复用
- DQN 是基于价值的 off-policy 方法,依赖经验回放和目标网络,适合离散动作
- DDPG、TD3、SAC 面向连续动作且样本效率更高,A3C 为异步并行训练
- PPO 缺点:on-policy 样本效率低、超参敏感,RLHF 中需维护多个模型开销大
易错点
- 把 PPO 说成 off-policy 算法
- 只背 clip 而说不清为什么要限制更新幅度
- 选型理由空泛,没结合动作空间、稳定性和工程成本
面试官常见追问
- PPO 的 clip 具体怎么起作用?
- RLHF 里 PPO 要用到哪些模型?
- GRPO 和 PPO 有什么区别?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。