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。
「长视界任务」找到 2 条内容
按专题浏览 →匹配正文：先把长视界任务形式化 定义状态/观测、动作、终止条件、稀疏任务奖励和安全约束，并确认问题是完全可观测 MDP 还是 POMDP。长视界困难至少包括探索、时间信用分配、部分可观测性和模型/模拟器偏差，不能用一个组件包办。 四类互补策略 分层强化学习：高层按较长时间尺度选择 option/子目标，低层执行原子动作；高层奖励评估子目标进度，低层奖励评估局部控制。关键是子目标可达、option 终止条件和层间非平稳。 课程学习：从较短任务、较少约束或较小环境开始，达到基于成功率、约束…
匹配正文：…区别。 较难 → 【奖励函数设计】 在强化学习或 Agent 系统中,如何设计一个有效的奖励函数? 较难 → 【长视界信用分配】 长视界任务里奖励稀疏、信用分配困难,怎么应对? 较难 → 【基于环境的训练】 「基于环境(environment-based)」的训练方法和监督式训练有什么不同? 较难 → 自检清单 能比较CPT、SFT、RL的用途与选择条件，不把本章示例路线当必选顺序 能说明SFT何时作为RL冷启动、何时可独立部署，并区分任务能力与格式 能讲清 GRPO 的核心…
学习内容与项目面试，在同一条路上。