搜索面试经历、知识题和 Coding 题。
至少输入两个字符。结果覆盖知识库、面试、Coding、公司和主题。
为具身智能面试中反复出现的概念提供标准答案。
当前主题：alignment
共 2 个问题
SFT 打底，RLHF 用奖励模型 + PPO，DPO 直接从偏好对优化省掉奖励模型，GRPO 用组相对优势替代 critic；各有成本与稳定性取舍。
预训练给通用表示，SFT 用示范把行为对齐到任务分布，GRPO 在 SFT 之上用可验证奖励继续突破模仿上限；完整流程是数据准备 → 轨迹采样 → 奖励计算 → 策略更新 → 评测的闭环。