面试题库 › 算法 / 大模型 › 过程奖励与结果奖励及多轮信用分配

过程奖励与结果奖励及多轮信用分配

难度 ★★★在 4 场真实面经中被问到 方向:算法 / 大模型考点:奖励模型

哪些公司问过

滴滴1agent1百川智能1

常见岗位:AI 应用 / Agent 开发、大模型算法

答案要点

  1. 结果监督只对最终结果打分,标注便宜但稀疏,可能奖励错误过程
  2. 过程监督对每步打分,反馈稠密、利于定位错误,但标注成本高
  3. 多轮 RL 中奖励延迟,需把最终结果归因到各轮动作
  4. 可组合轮次级奖励与最终任务奖励,用折扣回报或价值函数估计优势
  5. 以结果奖励为主、过程奖励为辅,防止过度优化中间指标

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