游戏行业面试题更新 2026-08-05
请解释DPO（Direct Preference Optimization）训练的损失函数和训练目标是什么？
米哈游人工智能游戏技术原理方案权衡
考察说明
考察对DPO算法原理的理解，包括损失函数形式与优化目标
回答思路
- 准确描述DPO的损失函数形式
- 解释其与RLHF中PPO的异同
- 说明DPO的训练目标是如何从偏好数据中学习
- 能指出DPO直接基于策略比率的优势
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。
