中移行研、苏研终面

1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

感觉就是那种，背景也不够硬，实习也不够硬，啥都不够硬，除了硬着头皮在各个招聘软件和官网平台投没有任何收获，已经不知道自己能干啥了……

offer A：药明生物，可base老家，某苏南城市，年包32w（这薪资在我来家很可以了），工作时间早9晚5点30，中午休息一小时，每天餐补25元，面试时告知是项目制，也不是很懂怎么算项目制offer B：Bybit，全球前三的交易所，base吉隆坡 必须出海，年包100w，了解到的工作时间大约早10晚8点30（除非自己要卷），中午休息两小时，晚上约一小时，每天餐补40马币，给每个程序员都配了claude code尽管用bg：211本硕，三年+国内互联网大厂经验我自己思考了下，可以说药明生物除了在老家，没有任何优势，但是就这一点就足够牵绊住我了，所以我现在就很纠结，一边是出海的高薪工作，一边是...