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。
「CPT」找到 7 条内容
按专题浏览 →匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:比较Agentic CPT、SFT与GRPO在一条调研Agent训练路线中的作用、选择条件与边界，理解组内优势及长轨迹奖励风险；本章不实际运行训练 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 🧭 这一章怎么读:训练流程为什么分阶段、每阶段解决什么、GRPO 的直觉和关键技巧的原理,本章都会讲,并带一个零依赖小实验帮你理解 GRPO 的核心。训练本身要 GPU、跑起来慢,所以这一章不真的跑训练,而用「概念…
匹配正文：…条行动更好，也没有在环境反馈中练过取舍。 相关训练材料把 Deep Research Agent 的训练拆成三层：Agentic CPT 注入 Agent 相关偏置，SFT 冷启动学习协议与基本轨迹，GRPO 再在环境反馈中优化策略。 这三个阶段分别解决不同问题，不能因为名词热门就机械拼成一条训练流水线。 所以面试官真正想问的是： CPT、SFT 和 GRPO 各自改变什么，为什么顺序通常这样安排，阶段之间如何设准入与退出标准，哪些项目可以跳过某一层，又怎样防止多阶段训练变成…
…后出现灾难性遗忘，是指领域数据上的能力提升伴随原有通用能力、对齐行为或其他领域能力下降。它不是看到训练loss下降就能判断，而要在CPT前后用同一组通用、领域、安全和指令遵循评测比较，并排除评测噪声与数据污染。 成因通常包括训练分布大幅偏向新领域，新数据梯度与旧能力所需参数方向发生干扰，以及学习率、训练步数或优化器状态让参数漂移过大。数据重复和领域风格过窄也会放大偏移。把它只解释成有限容量被新知识挤占并不充分，更不能断言浅层语法、中层语义和高层推理会按固定顺序受损。 风险取决…
学习内容与项目面试，在同一条路上。