题目 ID: q-4769 强化学习算法：PPO（RLHF核心，稳且高效）、DPO（免奖励模型，迭代快）、GRPO（省显存）、SAC（适配连续控制）、RLHF（提升生成质量） 频次 2 NLP与大模型 收藏 标记完成 当前状态：未收藏、未完成 常见追问 暂无追问变体。 常见公司 美团字节跳动