Reward 面试题

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。