过程奖励 面试题

阿里云 AI Infra 一面面经：Agentic RL 训练岗

阿里云 AI Infra 一面记录，面向 Agentic RL 训练岗：先做三道按简历定制的题（限时 40 分钟三选二）并讲解思路，随后深挖 OPD 蒸馏动机与数据筛选、过程奖励与结果奖励的区别、多轮对话双层奖励与用户模拟器构造、转人工率评测与 A/B 设计，以及 verl 中 AgentLoop 的特点。