强化学习 面试题
共 28 篇真实面经 · 涵盖 百度 / 字节跳动 / 滴滴 / 某互联网公司 / 腾讯 等 13 家公司
百度后训练大模型算法岗一二三面面经
百度后训练大模型算法岗一面到三面面经。一面考困惑度等概率类评估指标的物理意义、Mid-Train 中间训练阶段的定位与配置差异、冷启动到 RL 的过渡设计、Tag-level 与 DAPO 的差异，并手撕重要性采样；二面集中在多模态与 MOE，追问 ViT 与 LLM 的损失函数、视觉-文本对齐策略、路由设计以及未命中目标专家的惩罚约束；三面围绕项目复盘与训练范式的理解。
百度后训练大模型算法岗一二三面面经
百度后训练大模型算法岗一面到三面面经。一面考困惑度等概率类评估指标的物理意义、Mid-Train 中间训练阶段的定位与配置差异、冷启动到 RL 的过渡设计、Tag-level 与 DAPO 的差异，并手撕重要性采样；二面集中在多模态与 MOE，追问 ViT 与 LLM 的损失函数、视觉-文本对齐策略、路由设计以及未命中目标专家的惩罚约束；三面围绕项目复盘与训练范式的理解。
字节大模型算法秋招一面
字节跳动大模型算法秋招一面面经：十道题覆盖基座模型选型与备选评估、数据方案与公开数据集、DAPO 与 GRPO 的差异、强化学习选型考量、上下文压缩与有效长度、长程 Agent 优化方向、FlashAttention 分块原理与 PagedAttention 的 KV Cache 管理，末尾手撕 Self-Attention。
字节大模型算法岗秋招一面
字节跳动大模型算法岗秋招一面面经：从基座模型选型理由与备选评估、数据方案与公开数据集取舍，问到 DAPO 对比 GRPO 的改进、强化学习算法选型考量、上下文压缩与有效长度，下半程是 FlashAttention 分块原理、vLLM 的 PagedAttention，最后手撕 Self-Attention。
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。
滴滴国际化信贷AI二面：风控自动化、实验结果题与实习项目追问
滴滴国际化信贷 AI 岗二面面经：围绕风控 AI 的理解、用 AI 做提效（数据处理、特征提取、训练实验自动化）的设计题、现场给乱序实验结果选最优，以及实习项目里的合成数据形态、训练参与部分与强化学习 reward 设计逐层追问。
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。
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 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。
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。
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。
百度大模型算法岗一面二面面经（GSPO 与多智能体）
百度大模型算法岗一二面面经。一面考强化学习对齐选型（GSPO 相对 PPO、GRPO 的优势）、多智能体协作与记忆、Qwen 多模态与 MRoPE、RAG 全流程，手撕最长公共子序列；二面考 ReAct、SFT 与 RLHF 数据、自注意力与 QKV。
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。
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。
合合信息多模态大模型算法研究员一面 + 作业帮大模型算法一面二面
合合信息多模态大模型算法研究员一面与作业帮大模型算法一面、二面合集，问题覆盖如何判断 SFT 模型可以转 RL、DPO 奖励函数与 DPO/GRPO 对比、RL 训练中输出变长的原因、DPO 数据筛选稳定性与 OCR 模型架构，手撕三数之和、搜索旋转排序数组。
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。
联想AI岗笔试考点复盘（选择题、编程与AI coding）
联想 AI 岗笔试题型复盘：20 道单选加一道编程加一道 AI coding，选择题覆盖算法补代码、RNN、HMM、强化学习、LoRA、SQL、激活函数与排序，编程题仅过 18% 用例。
理想汽车智能体算法一面：Agent Loop 与奖励设计
理想汽车智能体算法一面面经，围绕 Agent 工程落地展开：Agent Loop 需要哪些结构化状态、什么任务该用 Agent 而非固定工作流、奖励设计失衡怎么排查、失败轨迹如何拆成训练样本，以及 LoRA 与全参微调的取舍。
美团 自动驾驶算法工程师一面：VOC 大模型实习与强化学习项目拷打
美团正式批自动驾驶算法工程师一面，2026 年 9 月 21 日，约 55 分钟。前半程深挖实习的 VOC 用户之声与大模型分类打标，后半程围绕强化学习项目的奖励设计、MHA 与评价指标追问，最后是最大下降幅度手撕题与 AI Coding 经验。
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真题
腾讯混元大模型算法岗一面的同题记录：从 Agent-RL 的奖励分层与长链路信用分配讲起，串起 GRPO 各支改进、PRM 如何进 advantage、多智能体值不值得拆、Agent 评测指标怎么选，再落到混元 MoE 与跨层注意力、DPO 双降归因、BM25 的词频饱和与长度归一化、以及阶段内 token 归一化对长度偏好的影响。
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。
小红书广告交易算法实习面试：KKT 条件与博弈论连环拷打
小红书广告交易算法日常实习面试，全程围绕数学与强化学习展开：安全强化学习、为什么选 SAC 而不是别的算法、拉格朗日对偶与对偶形式、KKT 与 Slater 条件、Stackelberg 博弈和 Nash 博弈的区别，八股问 PPO/DPO/GRPO，手撕是网格路径计数。
小红书多模态算法秋招二面面经（约 40 题 + 手撕）
小红书多模态算法秋招二面记录，约 40 题加一道手撕。考察视觉编码器与 LLM 连接方式、多模态幻觉、InfoNCE 温度，以及 SFT 调优、PPO/DPO/GRPO 选型、OOM 优化、端侧推理与蒸馏；手撕为矩阵原地旋转 90 度。
微信小程序
手机上刷面经，随时随地
扫码 / 长按识别，免下载直接打开
或在微信 搜一搜「面灵面经」