页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「训练策略」找到 30 条内容
按专题浏览 →匹配追问：环境反馈延迟或稀疏时如何设计奖励函数或训练策略 基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL） 在LLM Agent场景中，如何构建"环境"进行训练 场景切入 假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？ 层层追问 监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完…
匹配追问：如果图像分辨率差异很大（如既有256x256又有1024x1024），你会如何设计训练策略？ 在多模态对齐任务中，视觉编码器和LLM的学习率应该如何设置，为什么？ 如何验证你的超参数调整是否有效，有哪些监控指标？ 场景切入 假设你在做一个电商图文搜模型，图片分辨率从256到4K都有，类别分布也极不平衡。你训练时怎么根据这些特点调学习率和batch size？ 层层追问 图像训练超参数一般怎么调？……那如果图片分辨率很高，batch size设多少？……显存不够怎么办？……再结…
…rainer 文档把 model、ref_model、reward_model 和 value_model 分开：model 是待训练策略，ref 计算 KL，reward 给轨迹分数，value 估计状态价值。optimizers 参数是优化器与学习率调度器的二元组，不能说框架固定内置两个优化器。搜索工具调用由外部环境循环识别、校验、执行并把 observation 写回，再继续生成；callback 不会自动完成这套状态机。PPO 使用标量奖励，不要求搜索结果或 rewa…
学习内容与项目面试，在同一条路上。