深圳虾皮信息科技有限公司面试题更新 2026-08-05
既然有了奖励模型打分，为什么还需要价值模型？价值模型的作用是什么？
深圳虾皮信息科技有限公司人工智能互联网/IT技术原理方案权衡
考察说明
考察对强化学习中奖励模型与价值模型分工的理解
回答思路
- 指出奖励模型是环境反馈，价值模型是状态估计
- 说明价值模型用于降低采样方差、评估长期回报
- 说明在 PPO 中价值模型作为 baseline 计算优势函数
- 区分两类模型训练数据与使用时机
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。
