人工智能面试题更新 2026-08-05
请解释RLHF（基于人类反馈的强化学习）的原理。
金山WPS人工智能风险判断系统设计技术原理
考察说明
考察对RLHF核心流程、目标函数及相关技术难点的理解
回答思路
- 说明RLHF的三阶段流程：监督微调、奖励模型训练、强化学习优化
- 解释奖励模型如何从人类偏好数据中学习
- 说明PPO在RLHF中的作用及训练稳定性问题
- 提及RLHF的局限，如奖励黑客、分布漂移
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。
