面试题库 › 算法 / 大模型 › 为什么选 PPO,以及对其他强化学习方法的了解

为什么选 PPO,以及对其他强化学习方法的了解

难度 ★★☆在 1 场真实面经中被问到 方向:算法 / 大模型考点:强化学习

哪些公司问过

阿里巴巴1

常见岗位:推荐搜索广告

答案要点

  1. 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
  2. 相比 TRPO 只需一阶优化,实现简单,同批数据可多轮复用
  3. 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
  4. DDPG、TD3、SAC 面向连续动作且样本效率更高,A3C 为异步并行训练
  5. 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

面试官常见追问

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。

相关面试题