什么是训推不一致？异步 RL 怎么做？

一句话速记：rollout 用推理引擎（vLLM），训练用训练框架，两者计算出的 token 概率不完全一致，会导致隐式 off-policy。

RL 训练

同章节的其他八股

• 讲一下 RLHF 的完整流程。
• DPO 的原理？和 PPO 相比有什么优缺点？
• GRPO 是什么？相比 PPO 有哪些改动？
• 什么是 Reward Hacking？怎么缓解？
• PPO 里的 KL 惩罚起什么作用？β 怎么选？
• 什么是 Constitutional AI / RLAIF？
• ORM 和 PRM 有什么区别？
• Value-based、Policy-based、Actor-Critic 的区别？
• GAE（广义优势估计）是什么？λ 怎么理解？
• 什么是重要性采样？在 PPO 中起什么作用？
• PPO 中有哪四个模型？各自作用？
• PPO 的损失函数怎么写？clip 的作用是什么？