面灵AI→

大厂推荐算法面经 10 问:DPO、GRPO、DAPO、GSPO 与强化学习训练细节

某互联网公司 推荐算法工程师

推荐算法岗一轮技术面,10 个问题全部落在强化学习与大模型后训练:DPO 损失函数、PPO / GRPO / DPO 的区别与 on-policy 归属、DAPO 与 GSPO 对 GRPO 的改进、process reward 与 outcome reward 的取舍、reward 上升而验证集下降的排查思路、VeRL 的同步与异步训练流程、训推不一致的成因,最后问 SFT 与 RL 哪个更重要。

2026-11

字节算法实习一面:项目全链路深挖,从 DPO、ORPO 追到检索方案与 beam search

字节跳动 算法工程师(大模型方向) 一面

字节算法实习一面几乎全程围绕一个实习项目展开:数据集构成、知识库搭建、模型选型、检索方案、损失函数与优化方式逐环节追问,重点考 DPO 的优势与短板、ORPO 的原理以及其他偏好对齐算法的差异,最后手撕 beam search。

2026-11

字节算法实习一面面经:偏好对齐三连问与 beam search 手撕

字节跳动 算法工程师(大模型方向) 一面

同一场字节算法实习一面的另一份记录:面试几乎不考独立八股,全部围绕实习项目逐环节追问,偏好对齐部分从 DPO 的优势短板一路问到 ORPO 原理与方案差异,最后要求手写 beam search。

2026-11

字节大模型算法三面:从简历一行字拆到 KV Cache 与 GRPO

字节跳动 大模型算法 三面

字节大模型算法三面,72 分钟没有一行八股。面试官让挑简历里一行字往里拆:推理链路各环节耗时、P99 口径、优化 40% 的分母与失败重试、把 temperature 改成 0 指标会怎样;接着现场推 attention 与 FFN 的计算量、判断 N=2048/D=4096 的瓶颈、估 KV Cache 显存、解释长上下文为什么必须改架构;训练侧问 loss 尖刺排查、去重阈值、退火配比、loss mask 漏了会怎样、GRPO 的 advantage 与 PPO 的区别、DAPO 改了什么、投机采样接受率、PD 分离的收益与代价;最后是长窗口与 RAG 的选择、砍一半卡先砍哪块,手撕三维积木堆叠。

2026-11

字节搜索大模型一面:意图识别、RQ-Kmeans 与 GRPO 原理

字节跳动 搜索大模型算法 一面

字节搜索大模型一面(10 月 28 日,约 50 分钟),围绕两个项目深挖。项目一:搜索完整链路与负责部分、意图识别结果怎么用(是否作为模型特征)、链路时延与兜底、为什么用大模型判意图(输入输出、是否含用户行为、评估指标、基线)、样本标注定义/采样/量级/正负比例/是否与线上分布一致、微调做了哪些工作与其他微调方式、过拟合与灾难性遗忘怎么解决、OPD、显存不足的优化与分布式训练框架、推理优化的词表裁剪与推理框架、端侧资源消耗。项目二:生成 SID 的 Embedding 模型选型、RQ-Kmeans 的 K 选取与聚类评估、与普通 Kmeans 的区别、码本大小经验、生成式模型的输入输出与历史序列处理、GRPO 原理与奖励函数、为什么不用其他 RL 算法、loss 形式、DPO/PPO 原理、优化数学推理任务该选哪种。八股:召回/排序怎么做、双塔召回训练与对比损失、序列特征建模、DIN 多目标结构、self-attention 的 QKV 计算、降低 QKV 复杂度的方法。手撕:接雨水。

2026-11

深度赋智 Agent 算法一面:PPO、DPO、GRPO 的差别与 Harness 的理解

深度赋智 Agent 算法 一面

深度赋智 Agent 算法一面:项目与经典方案的差异、PPO/DPO/GRPO 的对比、Agent 项目的模块与动机、对 Harness 与上下文压缩机制的理解。

2026-11

海尔 Agent 系统工程师一面:GRPO 奖励怎么设,worker 失败怎么办

海尔 Agent 系统工程师 一面

海尔 Agent 系统工程师一面 30 分钟,两位面试官,全程针对实习与项目,无手撕:先追实习里多维打分的测试数据来源、指标怎么得出、样本是否够覆盖,再问 GRPO 的数据集与奖励设置、GRPO 与 DPO 的区别、何时用 SFT 何时用强化学习、多 Agent 项目的流程与 worker 失败的处置,最后问工作地、offer 与为什么选择实体企业。

2026-11

快手大模型算法岗面经(三):九场面试真题,从显存估算问到 GRPO 与手撕 MHA

快手 大模型算法 多轮

快手大模型算法岗(校招与实习)九场面试真题汇总:一面集中在显存估算、LoRA 低秩原理与 LSTM 门控,二面转向 Attention 的 shape、Prompt 长度与首 token 延迟、模型选型的 A/B 对比和数据集质量评估,后续场次深挖 DPO 数据来源、Rejection Sampling 与商业 API 蒸馏的取舍、RAG 为什么不分段、BERT 的 mask、MTP 与 GRPO 公式,最后是 DAPO 去掉 KL 后怎么防止跑飞、推理慢的原因与剪枝量化方案,每场都带手撕。

2026-11

快手大模型算法岗面经(四):八场面试真题,从 PPO 优势函数问到 vLLM 调度与 MLA

快手 大模型算法 多轮

快手大模型算法岗(校招、实习、日常实习)八场面试真题汇总:从百度实习的细节追问开始,考察 MoE 与 Dense 的取舍、滑窗切分的 overlap、SFT 与 RL 的选择、PPO/DPO/GRPO 的原理与 token 级还是 sequence 级损失、优势函数怎么算;随后转向 Transformer 与 cross-attention、vLLM 的调度、分布式训练架构与 NCCL 算法、损失函数与 CoT、RoPE、MLA、动态分辨率与 Function Call,几乎每场都带一道手撕。

2026-11

快手大模型算法实习面经(3 月场):Memory Pool、SFT/DPO 与 Attention 细节

快手 大模型算法(实习) 多轮

快手大模型算法岗实习的四场面经,时间集中在 2026 年 3 月下旬。第一场从风控报警机器人项目问起,覆盖 Prompt 编写流程、项目量化与 AI 产品理解;第二场问记忆池的构建与测试,以及 vLLM 的 PagedAttention、Chunked Prefill 与 Continuous Batching;第三场是密度最高的一场,从 SFT 数据、PPO/DPO/GRPO 一路问到 Agent 评估、Embedding 维度、Qwen 系列 Embedding 与 Rerank 的实现、Attention 公式与 RoPE;第四场问 AF 分离、FlashAttention、张量并行与 CUDA GEMM 优化。

2026-11

快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO

快手 推荐算法(OneRec) 一至二面

快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。

2026-11

快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO(同题重发)

快手 推荐算法(OneRec) 一至二面

快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。

2026-11

美团 Agent 开发一面:Agentic RAG、改地址的权限边界与 DPO 偏好对

美团 Agent 开发 一面

美团客服方向 Agent 开发一面备考记录:Agentic RAG 与项目里普通 RAG 在流程上的差异、外卖客服查知识与查订单、改地址分别怎么走(权限、用户确认、执行后核对),训练与评测部分问 SFT 数据怎么做且如何防止训练集与评测集串数据、DPO 的偏好对怎么选以及 chosen 是否一定完全正确、训练后效果怎么评以及哪些情况会让分数虚高,手撕删除链表倒数第 k 个节点。

2026-11

米哈游大模型算法岗:九问 Agent 训练、DPO 与长上下文外推

米哈游 大模型算法

米哈游大模型算法岗的九道题(原帖以九张长截图发出):从 Agent 的推理与工具调用、轨迹留存、工具记忆模块、Agentic Loop,到训练曲线异常、DPO 后输出变长、退火阶段、GUI Agent 的研究价值判定,最后落到 RoPE 长度外推与 DPO/PPO 的对比。题目集中在大模型后训练与 Agent 工程的交叉处。

2026-11

米哈游大模型算法岗面经:Agent 训练、DPO 与长上下文九问

米哈游 大模型算法

米哈游大模型算法岗面经九问,主题是 Agent 的训练与评估:Agent 如何完成推理与工具调用、单条轨迹要留存哪些信息,工具记忆模块怎么设计、过期与冲突信息怎么处理,Agentic Loop 怎么用交互轨迹优化训练,训练曲线该盯哪些指标以及奖励上涨但成功率下降怎么排查,DPO 之后输出变长的归因,退火阶段的作用与验证,大型游戏 GUI Agent 的研究价值怎么判定,RoPE 模型的长度外推方案,以及 DPO 与 PPO 在优化目标、数据来源与训练流程上的区别。

2026-11

淘天 AI Agent 二面:幻觉治理、评测闭环与十万条轨迹的后训练取舍

淘天 AI Agent 应用研发 二面

淘天 AI Agent/大模型应用研发二面:没有传统后端八股,全程围绕两段 Agent 经历深挖。链路部分追问纯 LLM 方案为什么失败、如何演进到 Code + LLM、换更强模型是否解决;评测部分追问指标口径、评测集与 Ground Truth 来源、线上 badcase 回流与自迭代;建模部分追问 Ontology 与 Action 的语义统一边界、新增 Action 的完整流程;执行部分追问第三步失败后的重规划与并行调度;最后落到十万条轨迹的清洗、哪些问题该改提示词与工具、哪些进后训练,以及两条都成功的轨迹怎么构造 DPO 偏好对。

2026-11

天娱数科算法一面:GRPO 与 DPO 的取舍、奖励设计与小学生问答的知识边界

天娱数科 算法工程师 一面

天娱数科算法一面约 30 分钟:自我介绍与实习经历后,追问实习内容是否上线、部门归属与组内结构、做的偏应用侧还是真正的算法;项目部分问为什么用 GRPO 与 DPO、奖励怎么设置、除了调奖励还有什么办法防止模型走捷径;随后给一道场景题——做面向小学生的英语问答模型,回答三年级问题时会出现初中甚至大学内容,如何训练让它最多只做四、五年级的拔高,面试官提示可用 RAG 与知识图谱限制知识边界;最后问上一段实习地点与离职原因、研究生课题与反问。

2026-11

小米汽车大模型算法:GRPO 追问到第五层,DPO 与线上灰度

小米汽车 大模型算法 一至二面

小米汽车大模型算法一二级面:一面从项目为什么引入 Agent 讲到 GRPO 完整训练流程、组大小 G 怎么取、规则 reward 与 reward model 怎么加权、Reward Hacking 的形式、Top-k 与 Top-p、PPO 与 GRPO 的差异、DPO 的 loss;二面问模型选型硬指标、没有完整监督轨迹时训练信号从哪来、业务规则写进 prompt 还是 reward、LoRA rank、灰度与吞吐、线上 reward 分布漂移怎么发现。手撕带障碍消除的最小路径和。

2026-11

大模型后训练与 Agent 开发面试总结:三个月二十多场的高频题

多家互联网公司 大模型后训练与 Agent 开发 多轮

三个月面试二十多场后整理的题目清单:后训练与对齐集中在方法选型、SFT 细节、PPO/DPO/GRPO 对比与 Reward 设计;Agent 方向集中在架构、工程治理、评测与 Skill 漂移;项目深挖要求讲完整故事;部署侧问 vLLM 的 Prefix Cache 与 Paged Attention,手撕以 Medium 为主。

2026-11

百度 大模型算法 实习一面:SFT、OPD 与 GRPO

百度 大模型算法实习 一面

百度大模型算法实习一面:项目业务场景与基座模型规模、SFT 并行参数与训练问题、packing 的作用、MODP 与 SFT 的差异及融合实现、OPD 里 forward KL 与 reverse KL 的区别、OPD 生效的数学原理、OPD 与 GRPO 的差异、on-policy 与 off-policy、长多轮对话难点、SFT 与 RL 的分工、reward hacking,最后手撕多头注意力。

2026-10

百度 大模型算法 实习一面:SFT、OPD 与 GRPO

百度 大模型算法实习 一面

百度大模型算法实习一面:项目业务场景与基座模型规模、SFT 并行参数与训练问题、packing 的作用、MODP 与 SFT 的差异及融合实现、OPD 里 forward KL 与 reverse KL 的区别、OPD 生效的数学原理、OPD 与 GRPO 的差异、on-policy 与 off-policy、长多轮对话难点、SFT 与 RL 的分工、reward hacking,最后手撕多头注意力。

2026-10

字节跳动广告算法面经(同场第二份回忆):归一化、AUC 与 DPO

字节跳动 广告算法 一面

同一场字节广告算法一面的另一份回忆:生成式召回的结构改动、常用归一化、负采样对 AUC 的影响、DPO 公式与 MoE 效果归因、SGD/Adam 差异、KV Cache 与正余弦位置编码。

2026-10

字节跳动广告算法面经:归一化、AUC 与 DPO、KV Cache 十问

字节跳动 广告算法 一面

字节广告算法一面十问:生成式召回怎么改结构、常用归一化、去掉负样本后 AUC 怎么变、DPO 公式、MoE 激活分布、SGD 与 Adam、KV Cache 与正余弦位置编码手撕。

2026-10

字节 data 广告部门一面:SFT 之后为什么还要 DPO、GRPO 的 loss 与 KL 方向

字节跳动 广告算法 一面

字节 data 广告部门一面,半小时、没有手撕。项目被逐层深挖,随后集中考大模型对齐:SFT 与 DPO 都算监督微调为什么还要做 DPO、GRPO 的 loss 写法、组内 KL 散度的方向反过来会怎样、优势函数怎么算。

2026-10

10.28 字节大模型实习算法一面:DPO/PPO/GRPO 与手撕 MHA

字节跳动 大模型算法实习 一面

字节大模型实习算法一面:从 DPO/PPO/GRPO 的区别一路问到 GRPO 的 clip 与组内均值、奖励函数坍缩、多目标奖励冲突,最后手撕多头注意力。

2026-10

滴滴 企业级算法实习生 一面

滴滴 算法实习生 一面

滴滴企业级算法实习生一面面经:四十分钟几乎全在问实习与项目,围绕 agent 框架选型与模型选择、微调与 RL、badcase 与评估指标维度、数据集格式与自监督训练效果验证、DPO 训练流程与数据来源、agent 编排与重试评判,最后问 Transformer/MHA/KV Cache 与 AI 辅助编程。

2026-10

海底捞 AI 工程师实习生一面:LLM as a judge、Agent 评估与 DPO/GRPO

海底捞 AI 工程师(实习) 一面

海底捞 AI 工程师实习岗一面面经,全程约 40 分钟:自我介绍后深挖实习经历,重点问遇到过哪些 bad case、根因怎么定位、如何解决,以及实习中最困难的事;技术问题集中在评估侧,包括 LLM as a judge 会不会出错、如何评判与解决、如何评估 Agent,以及 DPO 与 GRPO 的区别;手撕是 LeetCode 279 完全平方数,最后被问到对周末加班的态度。

2026-10

华为算法线下面三面连打:Agentic RAG、PPO 与 DPO 的取舍、GRPO 手撕与多卡推理 OOM

华为 算法工程师(大模型) 一二三面

华为北京线下一二三面连打、每面之间几分钟到二十分钟出结果:一面像技术交流,深挖两段实习与 Agentic RAG 方案选型,追问项目用 PPO 还是 DPO 及两者取舍、样本动态加权与梯度解耦缩放怎么做,最后一道逻辑题结合 BFS;二面节奏快、压力面,问多卡部署框架、精度问题与 OOM 处理、vLLM 推理流程、PPO 奖励解耦、SFT 与 RM 数据格式、训练 OOM 的归因,手撕 GRPO 伪代码并追问 loss 里条件概率怎么算、参数如何更新;三面主管面偏聊天,问为什么实习这么多家公司、挑重要经历讲做事逻辑、论文创新点与 baseline 对比。

2026-10

华为大模型算法岗一面:从 loss 不收敛问到 MoE、LoRA 与 GRPO

华为 大模型算法 一面

华为大模型算法岗一面:从实习与项目切入,连问 loss 不收敛的排查角度、Transformer 复杂度与优化、MHA/MQA/GQA 之外的注意力变体(点名 DeepSeek、Qwen)、FFN 结构与替代设计、归一化、MoE 路由与共享专家、前向反向传播、LoRA 原理、PPO/GRPO/DPO 对比与 GRPO 去掉 Critic 的原因、数据清洗与数据集搭建,最后手撕三数之和及其变体。

2026-10

快手 多模态大模型算法 一面:DPO 与 GRPO 的区别与零梯度陷阱

快手 多模态大模型算法 一面

快手多模态大模型算法一面,题目短但密度很高:从 DPO、SFT、GRPO 三者的定位差别与 DPO 更像谁,到 DPO 的优化目标和数据筛选要点,再到 GRPO 里样本全对全错为什么梯度为 0、奖励方差与 DVPO,最后是 PanoVision 与 VL 模型的对比和项目奖励函数的设计缺陷。

2026-10

昆仑万维多模态算法一面:TTS、音频 tokenizer 与 DPO 数据

昆仑万维 多模态算法 一面

昆仑万维多模态算法秋招一面:自我介绍后几乎只问实习,围绕 TTS 模型怎么做、数据规模与来源、音频 tokenizer 的实现与码本设计、训练时 token 序列怎么排、DPO 数据准备和自动化评测流程。

2026-10

零一万物知识图谱算法实习一面:Agent 容错、SFT/DPO 与实体对齐

零一万物 知识图谱算法实习生 一面

零一万物知识图谱算法实习生一面,约 30 分钟:Agent 框架与连续失败兜底、工具参数错误和上下文管理、SFT 与 DPO、LoRA 原理、栈与队列、本体与知识图谱设计,以及同义实体如何合并。

2026-10

MiniMax 后训练一面:SFT/RL 数据与 GRPO 细节

MiniMax 大模型算法(后训练) 一面

MiniMax 大模型算法后训练一面:围绕数据合成与清洗、SFT 与 RL 的先后关系、DPO/PPO/GRPO 与 DAPO 的原理取舍、训练不稳定排查、评测集构建展开,末尾手撕岛屿数量要求 DFS 与 BFS 两种写法。

2026-10

拼多多算法岗一面:特征共线性、GRPO 与股票买卖题

拼多多 算法岗 一面

拼多多算法岗一面面经:围绕暑期实习项目深挖特征构建与共线性、类别标签设计、GRPO 落地与奖励函数,并对比 PPO/GRPO/GSPO/DPO,最后手撕股票买卖 122 与 123。

2026-10

拼多多算法岗一面:特征共线性、GRPO 与股票买卖题

拼多多 算法岗 一面

拼多多算法岗一面面经:围绕暑期实习项目深挖特征构建与共线性、类别标签设计、GRPO 落地与奖励函数,并对比 PPO/GRPO/GSPO/DPO,最后手撕股票买卖 122 与 123。

2026-10

大厂推荐算法面经 10 问:后训练 RL 的算法对比与工程细节

某互联网公司 推荐算法

一份大厂推荐算法方向的面经,十道题全部落在 LLM 后训练的强化学习侧:DPO 的损失函数、PPO 与 GRPO、DPO 的异同与 on-policy 归属,DAPO 与 GSPO 对 GRPO 的改进,process reward 与 outcome reward 的取舍,reward 上升而验证集下降的排查方向,VeRL 的同步异步与训推不一致,以及 SFT 与 RL 阶段的轻重判断。

2026-10

腾讯 WXG 大模型算法岗三面:RL 理论连环追问

腾讯 大模型算法 三面

腾讯 WXG 大模型算法岗三面面经,面试官是 RL 出身,开场十分钟全是理论轰炸且要求公式推导与符号规范:Agentic RL 与 RLHF 的差异、GAE 与 λγ 取值、PPO Clip 与 KL 约束、DAPO、GRPO、DPO 与熵坍塌一路追问,再延伸到多轮 reward 设计、多模态融合与幻觉缓解,最后手撕图像差异最小包围矩形。

2026-10

小米汽车大模型算法一二面:GRPO、Reward 设计与线上验证

小米汽车 大模型算法 一二面

小米汽车大模型算法一二面:一面围绕 Agent 方案、GRPO 训练流程、Reward 实现与 Reward Hacking,追问 Top-k/Top-p、PPO 与 GRPO 差异、DPO 的 loss 与 reference model;二面转向模型选型、训练数据构造、业务规则融合与线上验证。

2026-10

百度多模态大模型一面(9.10):PPO 与 GRPO、DPO、持续学习、8 卡 A100 跑 7B VL 的 GRPO

百度 多模态大模型算法 一面

百度 2026 年 9 月 10 日多模态大模型一面:项目深挖后进入训练目标与持续学习(PPO 与 GRPO 的差异、为什么做 DPO、持续学习的方法分类),再到 8 张 A100 训练 7B 视觉语言模型的 GRPO 场景题(Rollout / 推理加速、训练加速、验收指标)、通用训练加速手段、DeepSpeed ZeRO 三阶段、多头注意力变体(MQA/GQA/MLA/滑窗/稀疏)与 verl 类框架的加速机制,最后手撕 MHA。

2026-09

字节多模态大模型一面二面三面:从 Lora 微调到手撕算法

字节跳动 多模态大模型 一面

字节多模态大模型岗三面连轴面经:一面围绕论文与 RAG 项目、质量过滤模型、LoRA 原理、Transformer 自注意力与 BERT/GPT 差异、RLHF 与 DPO,手撕最长公共子序列;二面拷打多模态训练与 Prompt 验证、数据清洗、CLIP、幻觉与复读机、前馈网络升维降维、LLaMA 版本差异;三面偏开放,聊对大模型结构演进与训练难点的理解。

2026-09

华为大模型算法岗面经:LoRA、PPO 与 Transformer

华为 大模型算法

华为大模型算法岗面经,覆盖数据清洗与数据集构建、LoRA 微调原理、前向反向传播与参数更新、PPO 与 GRPO 与 DPO 的区别、多模态与智驾模型、ViT 与 VLA 原理,以及和为 k 的最长子数组算法题。

2026-09

合合信息多模态大模型算法研究员一面 + 作业帮大模型算法一面二面

合合信息 算法 多轮面试合集

合合信息多模态大模型算法研究员一面与作业帮大模型算法一面、二面合集,问题覆盖如何判断 SFT 模型可以转 RL、DPO 奖励函数与 DPO/GRPO 对比、RL 训练中输出变长的原因、DPO 数据筛选稳定性与 OCR 模型架构,手撕三数之和、搜索旋转排序数组。

2026-09

京东 大模型算法岗面经合集 01:PPO/DPO/GRPO 八股、音视频链路与端侧 AI 追问

京东 大模型算法 多轮面试合集

京东大模型算法岗 6 场面试记录:强化学习与微调原理(PPO 与 GRPO 的 KL 约束、DPO 的数据构造)、音视频链路深挖(AAC 与 Opus、WebRTC、3A 算法)、LoRA 参数、RAG 切片与召回优化,末尾手撕 LRU。

2026-09

腾讯混元大模型算法岗一面面经

腾讯 大模型算法 一面

腾讯混元大模型算法岗一面真题,围绕 Agent 强化学习展开:奖励设计与长链路信用分配、GRPO 的衍生改进、Multi-Agent 的收益与代价、PRM 如何接入训练、Agent 评测体系,并延伸到混元自身的 MoE 与 Attention 设计、DPO 概率双降、BM25 检索以及分阶段 token 归一化。

2026-09

小红书 大模型算法岗面经合集(三):Transformer 细节、DPO 与推理优化

小红书 大模型算法 多轮面试合集

小红书大模型算法岗九场面经合集(三),2025 年 12 月至 2026 年 1 月。覆盖 Transformer 结构与 GQA,微调 7B 显存估算、FlashAttention、DPO 与 RAG 微调,以及 PPO、GRPO 差异。

2026-09