面灵AI→

吉利大模型算法一二面:Agentic RL、GRPO 与 Reward Hacking

吉利 大模型算法 一至二面

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。

2026-11