阿里巴巴面试题更新 2026-08-05
请说明直接偏好优化（DPO）相比传统RLHF方法的优势是什么？
阿里巴巴人工智能电商技术原理方案权衡
考察说明
考察对DPO算法原理及相对RLHF优势的理解
回答思路
- 能解释DPO的核心思想：将奖励模型与强化学习优化合并为直接偏好优化
- 对比RLHF时需要提及简化训练流程、减少计算资源、提高稳定性
- 能说明DPO通过隐式奖励函数直接优化策略，避免显式奖励模型
- 指出DPO在数据利用和样本效率上的优势
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。
