秋招 · 2026-10 · 来源 牛客
深度聚焦Agent RL训练稳定性、信用分配机制与策略优化前沿变体（GRPO/DSPO/DAPO/OPD）的原理级追问，强调对崩坏现象的三层归因和Reward Hacking的实操洞察