真面经，好答案。面试之前，先来面栈。

月之暗面

1 篇面经31 道面试题

官方招聘开始复习

已筛选

共 31 道题

排序：

11384
没有标准答案的业务数据，如何构造可靠的强化学习奖励？
模型训练与对齐强化学习与奖励
方案设计
进阶
1 篇面经
11385
强化学习 Rollout 与训练之间如何同步权重并控制策略陈旧？
模型训练与对齐训练框架、调参与排障
方案设计
进阶
1 篇面经
11386
GRPO 训练遇到超长回复时如何截断，并处理对应奖励？
模型训练与对齐强化学习与奖励
方案设计
进阶
1 篇面经
11387
强化学习多轮迭代应继承上一轮模型还是重新从 SFT 开始？
模型训练与对齐训练框架、调参与排障
方案设计
进阶
1 篇面经
11388
强化学习迭代几轮后效果下降，应如何排查？
模型训练与对齐训练框架、调参与排障
故障排查
进阶
1 篇面经
11389
模型从训练到线上部署是否保持同一制品，量化后如何验证差异？
AI 应用工程与治理模型服务、部署与交付
方案设计
进阶
1 篇面经
11390
从 7B 扩展到 32B 时，如何定位强化学习流水线最先遇到的瓶颈？
模型训练与对齐分布式训练与计算硬件
方案设计
进阶
1 篇面经
11391
GRPO 的 KL 惩罚放在 Reward 或 Loss 中有什么区别，系数如何选择？
模型训练与对齐强化学习与奖励
原理机制
进阶
1 篇面经
11401
强化学习项目中 Rollout 与参数更新分别耗时多少，如何测量？
模型训练与对齐训练框架、调参与排障
方案设计
进阶
1 篇面经
11402
SFT 后应直接进入强化学习，还是先用拒绝采样进行冷启动？
模型训练与对齐强化学习与奖励
方案设计
进阶
1 篇面经