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。