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。