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： ...

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

秋招0offer，估计简历有问题   

一、 研究方法论与工程实践 在技术面试中，针对论文和项目的挖掘通常聚焦于逻辑闭环与工程落地。 1. 论文深挖要点  研究动机（Motivation）： 明确为什么选择该方案。例如，在动作生成策略中，单步生成（Single-step）相比多步自回归（Autoregressive）在实时控制中的延迟优势。 消融实验（Ablation Study）： 验证每个模块的有效性。 安全与鲁棒性： 如 VLA（视觉-语言-动作）模型面对对抗性攻击（如 Backdoor attacks）时的防御机制与数据构建。 学术质疑准备： 预演关于 Baseline 选取、泛化边界及 Sim-to-Real 损耗的回答。...