GRPO 面试题
共 59 篇真实面经 · 涵盖 百度 / 某互联网公司 / 字节跳动 / 深度赋智 / 吉利 等 21 家公司
百度推荐算法日常实习面经:双塔负采样、SID 碰撞、约束解码与 GRPO
百度推荐算法日常实习面试:先问传统推荐系统整体架构、项目里的排序模型是重排还是精排,再深挖双塔训练的负采样做法与问题、SID 在项目里的作用与构建方式、前三层编码的碰撞率与碰撞原因、第四层消歧编码如何编码以及会不会折损语义、还有哪些降低碰撞率的方法、约束解码原理、多任务微调设计了哪些任务、GRPO 与 SFT 的本质区别与 Loss 设置,最后是 DeepFM、LightGBM 排序模型与手撕打家劫舍。
大厂推荐算法面经 10 问:DPO、GRPO、DAPO、GSPO 与强化学习训练细节
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。
字节大模型算法三面:从简历一行字拆到 KV Cache 与 GRPO
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。
字节搜索大模型一面:意图识别、RQ-Kmeans 与 GRPO 原理
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。
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: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。
吉利大模型算法一二面:Agentic RL、GRPO 与 Reward Hacking
吉利大模型算法一二级面:一面 70 分钟全是 RL 理论,从 Agentic RL 与传统 RL 的差异、长时序训练为什么崩、GRPO 如何在没有 critic 时估优势,到 PPO 的 clip 与 KL、DAPO 的 token 级损失与 clip-higher、动态采样的加速原理;二面 75 分钟抠论文细节,GAE 与 λ、上下文压缩后的信用分配、Reward Hacking 的检测信号、OPD 在线策略蒸馏与 RL 的边界,以及只有 8 张卡时怎么砍流程。
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 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。
华为 AI 模型技术岗一二三面:后训练全流程、Agent 框架与科研追问
华为 AI 模型技术岗三面记录:一面围绕 LLM 后训练全流程选型、训练踩坑、OPD 适配性、SFT/PPO/GRPO 差异与 Reward Hacking,手撕要求手写 Attention 与 Decoder-only Mask;二面转向 Agent 工程与 DeepSeek Harness 框架,手撕是滑动窗口中档题;三面追问论文与实习产出、优势短板与成长规划。
科大讯飞 AI 研究算法一面:SFT 之后为什么还要 GRPO,如何判断训练好了
科大讯飞 AI 研究算法工程师(后训练 / 强化学习方向)一面(11.19),六问全部围绕后训练:项目细节问到消融实验与原因、SFT 与 GRPO 的关系、OPD 的原理及与 GRPO 的区别、mid-training 的做法与完成判据、如何判断 pretraining 与 SFT 各自训练好了,以及 RL 出现 reward hacking、回答不像人时怎么处理。全程无手撕。
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。
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。
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。
月之暗面大模型算法一二面:GRPO 的每一个参数都要能往下推一层
月之暗面大模型算法一二次面:从 SFT 数据与基座选型问到 GRPO 的 group size、advantage 归一化、KL 位置、长度偏置与 DAPO/GSPO 的改动,最后现场手写 GRPO loss。
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。
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。
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
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。
百度大模型算法岗一面面经:从 GRPO 训练细节到 CoT 数据集
百度大模型算法岗一面真题:面试官按简历逐项深挖 Agentic-GRPO 的业务场景、训练数据规模与配置、红蓝对抗主体设计、奖励函数维度,再问 Qwen 微调的数据筛选与配比、CoT 数据的自动化构建与降噪,收尾是交叉熵、SQL 与两道手撕。
百度大模型算法岗一面:Agentic-GRPO、奖励函数与 CoT 数据构建
百度大模型算法岗一面:全程围绕简历里的 Agentic-GRPO 项目深挖——适用场景、训练规模与配置、红蓝对抗的主体设计、奖励函数维度与调优;接着问 Qwen 微调的数据量级与配比、CoT 推理数据集的构建与质量校验,最后是交叉熵、SQL、数组最大值与最长公共前缀这些基础题。
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: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。
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: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。
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 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。
10.28 字节大模型实习算法一面:DPO/PPO/GRPO 与手撕 MHA
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。
滴滴 Agent 岗面经:智能客服与行程规划 Agent 设计
滴滴 Agent 岗面经,全程围绕真实项目与技术选型追问依据:智能问数的数据误差归因、幻觉优化、知识库增强与微调的适用边界、基座与微调数据选择、评估体系、verl 中的 agent loop、GRPO 与 on-policy/off-policy 取舍,以及出行场景智能客服的对话状态管理、工具编排、兜底与服务质量评估,行程规划 Agent 的长流程上下文、断点恢复、多 Agent 并发改文件的冲突处理,手撕买卖股票 II 与编辑距离。
滴滴大模型算法岗面经:多头注意力、GRPO 与 RAG 全链路九问
滴滴大模型算法岗一面九问,一条线从模型原理拉到 RAG 工程:多头注意力的动机与单头局限、GRPO 与 PPO 在 RLHF 里的核心区别、vLLM 的吞吐来源、推荐系统为什么引入 RAG 及知识库的构建流程、嵌入模型为什么选 BGE 与 FAISS 索引怎么建、chunk 划分策略、什么场景需要 GraphRAG、超长输入的几种主流解法,最后手撕乘积最大子数组。
滴滴大模型算法岗面经(同场第二份记录):从注意力机制到 GraphRAG
同一场滴滴大模型算法岗面试的另一份作答记录,九问原样一致:多头注意力与单头局限、GRPO/PPO 的差异、vLLM 为什么快、推荐业务里 RAG 的来源与构建、BGE 与 FAISS 的选型、chunk 策略、GraphRAG 的适用场景、超长上下文解法,以及乘积最大子数组。这份记录把同一组题按「原理—工程—业务—手撕」重排了一遍,更适合当作复习提纲。
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。
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。
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。
快手广告算法一二面:从 SID 表征问到 RQVAE 与 GRPO
快手电商广告精排团队广告算法实习一二面面经:一面围绕实习与 MinioneRec 项目追问 ID 表征、SID 与普通 Embedding 的差异、推荐模型架构,并含 AI Coding 实操与快速选择手撕;二面深挖百度实习与训练调优,要求手写 pair-wise hinge loss、对比 pointwise/pairwise/listwise 及各自损失、讲清 RQVAE 的量化与梯度传导、SID 生成方式,以及 SFT 与 GRPO 的监督信号差异和奖励设计。
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,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。
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: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。
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。
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。
大厂推荐算法面经 10 问(同题重复投稿):后训练 RL 复习清单
同一份「大厂推荐算法面经 10 问」由两个账号先后发布,内容与另一篇完全一致。十道题集中在 LLM 后训练的 RL 侧:PPO / GRPO / DPO 的定位与 on-policy 归属,DAPO 与 GSPO 对 GRPO 的改进,process reward 与 outcome reward 的取舍,reward 与验证集背离的排查,VeRL 的同步异步与训推不一致,以及 SFT 与 RL 的轻重。
大厂推荐算法面经 10 问:后训练 RL 的算法对比与工程细节
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。
虾皮大模型后训练日常实习一二面面经:强化学习算法与 LoRA 原理
虾皮大模型后训练日常实习一面二面题目整理:一面从两张训练卡能否放下 7B 模型切入,覆盖显存估算、Qwen2.5 基座选型、SWE Agent 工具与 32K 上下文局限,深挖 NGRPO 选型、不用 DAPO 过滤失败样本组的考量、GRPO 的固有缺点、梯度范数、Reward 停滞排查与 KL 散度崩盘;二面问 VERL 框架取舍、Agent 强化学习的信用分配、数据集来源与处理、OPSD 的 Forward KL 选择以及 LoRA 微调原理。
虾皮大模型后训练日常实习一二面:SWE Agent 后训练与 GRPO 深挖
虾皮大模型后训练日常实习一面二面面经:一面围绕自研 SWE Agent 项目追问显存估算依据、Qwen2.5 基座选型、工具集设计与 32K 上下文局限,并深挖 NGRPO、DAPO 样本过滤、GRPO 固有缺点、梯度范数、Reward 不涨的排查路径与 KL 散度崩盘;二面问训练框架取舍、Agent 强化学习的信用分配、数据集构成与处理、OPSD 的 Forward KL 选择以及 LoRA 微调原理。
腾讯 CSIG 后训练实习一二面面经:从位置编码到 PPO 与 GRPO
腾讯 CSIG 后训练岗日常实习一、二面共 18 道题:一面考位置编码演进(绝对位置编码到 RoPE 及后续优化)、视频 VLM 的帧采样与时序建模、多模态输入编码差异、长文档与超大分辨率适配、推理超参、SFT 与 RL 的特性与业务场景、数据飞轮、稀疏 Attention 和量化;二面考 RL 熵值与 KL 监控、KV Cache 原理与显存优化、vLLM 与 SGLang 加速机制对比、PPO 与 GRPO 的细节差异、VLM 训练阶段与业务指标归因。
腾讯大模型算法岗一二面面经
腾讯大模型算法岗一二面记录:一面考注意力实现、ReAct、多轮工具调用的 RL 损失与 GRPO、GSPO,并手撕多头注意力;二面考多工具 Agent 训练、rollout 奖励与 LLM Judge 评估。
腾讯大模型算法岗一二面面经
腾讯大模型算法岗一面二面面经:一面考多头注意力实现、ReAct、多轮工具调用的 RL 损失与 GRPO、GSPO;二面考多工具 Agent 的 SFT、rollout 奖励与端到端时延归因。
腾讯 大模型算法一面二面:GRPO 的信用分配、Agent RL 为什么训崩与蒸馏的边界
腾讯大模型算法一二面:一面深挖 Agentic RL 的训练崩溃、GRPO 的信用分配与 DAPO 的改动,二面追问 GAE、Reward Hacking 检测与在线策略蒸馏能否替代 RL,最后手写流式图像差异的最小包围矩形。
腾讯 WXG 大模型算法暑期实习面经:强化学习、LoRA 与手撕 PPO
腾讯 WXG 大模型算法暑期实习面经:从论文与强化学习算法(GRPO、PPO、reward model)与马尔可夫决策过程切入,追问 bf16/fp16/fp32 的精度与计算、LoRA 微调细节与量化,随后是大段手撕——实现 PPO、推导 MDP 的 γ 阈值、估算 SFT 参数量与显卡利用率、判断相交链表,以及如何让全连接层输出子空间基底接近标准正交基。
腾讯 WXG 大模型算法暑期实习面经:强化学习、LoRA 与手撕 PPO
腾讯 WXG 大模型算法暑期实习面经:从论文与强化学习算法(GRPO、PPO、reward model)与马尔可夫决策过程切入,追问 bf16/fp16/fp32 的精度与计算、LoRA 微调细节与量化,随后是大段手撕——实现 PPO、推导 MDP 的 γ 阈值、估算 SFT 参数量与显卡利用率、判断相交链表,以及如何让全连接层输出子空间基底接近标准正交基。
腾讯 WXG 大模型算法岗三面:RL 理论连环追问
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。
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: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。
蚂蚁集团大模型算法岗面经 01:多模态与 Agent 合集
蚂蚁集团大模型算法岗面经合集(八场):多模态监督粒度、反向 KL、GRPO 与 DAPO、奖励黑客与视觉 token 压缩,另含二级缓存、MQ 幂等、RAG 检索评测、Prefill/Decode 分离与 GQA、KV cache。
蚂蚁集团大模型算法面经合集:并发基础与训练推理
蚂蚁集团大模型算法岗六场面试合集:一面以线程池、锁与 JVM、索引与 B+ 树、Redis 与秒杀链路打底,二面追问线索评分 ROI、Prompt 强制 JSON 输出与幻觉兜底、800ms 链路拆解;后几面深入 MLA 与 KV Cache 优化、蒸馏数据清洗与 w8a16 量化,以及 PPO/GRPO 的损失、KL 估计与 rollout 资源关系。
百度 算法岗面经 两轮 智驾决策与大模型
百度算法岗两轮面经。第一轮围绕智驾决策模型深挖,问单 Head 设计、Loss 与 Reward 设计、决策与预测任务的监督方式、开环与闭环训练、离散决策如何生成轨迹和风险映射;第二轮从大模型实习切入,追问 SFT 与 GRPO 的改动。
百度大模型算法岗面经合集:GRPO 训练与算子优化
百度大模型算法岗两场面试:一面围绕算子优化方案与效果验证,追问 GEMM 矩阵尺寸、GPU 架构与 Tensor Core 精度;二面聚焦 PPO、GRPO 与 DPO 的区别、持续学习分类,以及 8 卡 A100 的 GRPO 加速优化。
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 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。
字节AI Agent开发一面:三层编排、上下文隔离与GRPO
字节抖音电商AI Agent开发一面面经,围绕一个风控归因Agent项目逐层追问:为什么非要拆成三级编排、主Agent与子Agent之间上下文怎么传递和保真、上下文超长怎么压、RAG召回率从哪些角度提升、父子文档索引解决什么、多Agent上下文与状态如何互不串,另有手撕多层嵌套JSON深度合并且键冲突时类型不同的处理,以及GRPO与PPO在奖励归因上的差异。
滴滴算法秋招凉经:GRPO 监控指标与 Agentic RL 数据链路
滴滴算法秋招凉经,12 问全部围绕 RL 后训练:GRPO 除 reward 外要盯的六类指标、可训练轨迹必须保留的可见状态、SFT 数据筛选与成功轨迹的幸存者偏差、何时从 SFT 切到 RL,以及异步 rollout 的 off-policy 与 KL 约束。
滴滴算法面经合集:RL 八股与 Agent 项目深挖
滴滴算法岗面经合集。以强化学习八股为主:PPO/GRPO/DPO/DAPO 区别、组内优势、熵坍塌、动态采样、clip 与 reward hacking,另含 SFT 与 RL 取舍、Agent 项目深挖与 Transformer 手撕。
京东 大模型算法岗面经合集 02:多模态位置编码、Agent 与 SFT/RL 追问
京东大模型算法岗 9 场面试记录:VLM 项目追问 M-RoPE 视频位置编码与 SAM2,RoPE、ALiBi 与 SwiGLU 八股,Agent 与 SFT/GRPO 链路,RAG 与库存一致性,以及一场偏前端的 Vue 响应式面试。
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。
快手可灵策略梯度岗一面:强化学习算法与论文深挖
快手可灵(视频生成团队)策略梯度岗一面记录,先对两篇论文和实习经历做深挖,再问主流强化学习算法的区别、GAE 与 Diffusion Model、RLVF,以及 GRPO 具体存在什么问题,手撕是切分披萨数,可用 DP 或 DFS 加记忆化搜索。
快手大模型应用开发二面:Agentic RL 与 RAG 全链路
快手大模型应用开发二面:中段集中考 Agentic RL 的信用分配、PPO 的 Clip 与 KL 约束、GRPO 为何省掉 critic;其余覆盖 Agent 架构、RAG 切分与混合检索、幻觉归因、记忆冲突与 SSE 断点续传。
拼多多大模型算法秋招一面:过程奖励模型与 GRPO
拼多多大模型算法秋招一面面经,题目集中在 Agent 与强化学习链路:过程奖励模型如何避免只学轨迹长度、GRPO 省掉价值模型后的采样代价、DPO 两个概率同时下降的原因,以及千万级知识库的召回与冲突证据取舍。
腾讯混元大模型算法岗一面面经
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。