小鹏汽车面试题更新 2026-08-05
请写出 DPO（Direct Preference Optimization）的优化目标或核心损失函数公式，并简要解释其含义。
小鹏汽车人工智能消费品/零售问题拆解技术原理
考察说明
考察对 DPO 数学公式及其优化逻辑的理解
回答思路
- 能准确写出 DPO 的损失函数或优化目标
- 能解释与 RLHF 中 PPO 的关系及简化之处
- 能说明公式中各项符号的含义，如策略、参考策略、奖励隐式表达
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。
