淘天集团面试题更新 2026-08-05
请解释PPO、DPO、GRPO这三种强化学习微调方法的核心计算逻辑和各自特点。
淘天集团北京智谱华章科技人工智能互联网/IT问题拆解技术原理方案权衡
考察说明
考察对强化学习微调算法原理的理解深度与对比能力
回答思路
- 准确说明PPO的目标函数、重要性采样和裁剪机制
- 准确说明DPO如何通过偏好数据直接优化策略、避免显式奖励建模
- 准确说明GRPO的分组采样与组内相对优势估计
- 能对比三者适用场景、计算开销和稳定性
- 能指出关键公式或伪码级细节
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。
