强化学习算法

快手可灵策略梯度岗一面：强化学习算法与论文深挖

快手可灵（视频生成团队）策略梯度岗一面记录，先对两篇论文和实习经历做深挖，再问主流强化学习算法的区别、GAE 与 Diffusion Model、RLVF，以及 GRPO 具体存在什么问题，手撕是切分披萨数，可用 DP 或 DFS 加记忆化搜索。