后训练算法一面、二面、三面面经

一面 1. 详细解释困惑度PPL的物理意义；拓展说明模型预训练阶段常见的概率类评估指标与计算公式。 2. 阐述 Mid-Train 中间训练阶段的核心作用，对比该阶段与预训练、微调阶段在参数配置、训练策略上的差异。 3. 结合个人论文项目，说明冷启动模块与强化学习RL流程之间的过渡设计，拆解整体思路与解决的痛点。 4. 对比解析 Tag-level 优化方案与 DAPO 算法的核心差异、适用场景优劣。 5.手撕代码:实现序列重要性采样、Token层级重要性采样算法逻辑 二面 1. 多模态长时序数据的采集与构建方案；ViT视觉编码器与大语言模型LM的训练方式，是联合训练还是分步训练。 2. 分别说明 ViT、LLM 的基础损失函数；多模态大模型训练过程中，视觉编码器是否存在独立损失函数，具体是什么。 3. 拆解 ViT 完整图像特征计算流程，介绍当前主流的视觉-文本对齐训练策略。 4. 讲解 MOE 混合专家模型核心原理，说明项目中路由机制的配置方式，以及专属专家的设计逻辑。 5. 项目 MOE 模块所使用的 RL 强化学习算法，详细阐述算法底层原理。 6. 谈谈对 MOE 路由设计的理解；若路由分配未命中目标专家，如何设计惩罚约束策略。 7. 辨析「单专家对应单一特征场景」的MOE架构，与流水线Pipeline结构的本质区别。 8.手撕代码:实现/推导 ViT 相关 Loss 计算逻辑 三面 1. 个人项目PPT深度复盘提问 2. 谈谈大模型 Mid-Train 训练范式的性能瓶颈与能力上限，以及对大模型后训练整体技术体系的理解 3. 职业倾向选择：偏向业务落地or算法科研 4. 无算法手撕环节