牧原一面

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： ...

27届找实习为什么0回复0面试，是不是因为双非而且没什么项目啊啊啊，真的很需要一个实习，我已经投了很多家了，需要怎么再改改简历么？ 我投的都是数分、运营、用户类，或者有没有推荐的中小厂呀

遇到一个民科乐子，最难绷的一集。

笔试（2026-3-27）算是真正意义上的第一次笔试，没想到点链接直接跳到牛客网来了。感觉代码练习不太够，以现在这个状态，感觉之后都不用笔试了，笔个锤子笔。第三题没动，一和二过60%样例，甚至都不知道为啥还能过第二题能过60%样例。这周Boss上投了不少，回应的只要寥寥，看来自己还是乐观了，不投大厂恐怕面试都机会了，只能寄希望于大厂的无限复活了。下午还有智源的面试，先面了再说吧，别的连面试机会都没。有点不知道下周的大厂还该不该投，我giao giao giao!