腾讯
大模型算法一面、二面面经合集
完整信息
本篇目录
一面
1. 智能体强化学习（Agentic RL）与传统大模型RL的核心差异
2. 长时序任务下Agent强化学习训练失稳、容易崩模型的底层原因
3. Agent自进化机制的核心逻辑，是否属于模型自主迭代训练
4. PPO与GRPO算法在信用分配机制上的核心区别
5. PPO的Clip截断约束与KL散度约束是否等价、适用场景差异
6. DAPO算法Token级损失函数，相较于原生GRPO的优化差异
7.手撕算法（简单）：三数之和
二面
1. PPO算法中GAE优势函数的作用，已有Critic网络为何仍需GAE
2. 上下文压缩（Context Compaction）操作后，模型信用分配难度加剧的原因
3. Agent强化学习场景Reward Hacking问题高发的底层机理
4. DSPO算法侧重序列级优化的设计逻辑与优势
5. DeepSeek-V4对比V3版本的核心技术迭代与能力升级
6. DeepSeek-V4大量采用在线策略蒸馏、替代纯RL迭代训练的设计考量
7. DeepSeek-V4的OPD在线策略蒸馏，与常规知识蒸馏的本质区别
8.手撕算法（偏难）：图像差异最小包围矩形求解
本篇目录
当前问题0115
- 01
智能体强化学习（Agentic RL）与传统大模型RL的核心差异
- 02
长时序任务下Agent强化学习训练失稳、容易崩模型的底层原因
- 03
Agent自进化机制的核心逻辑，是否属于模型自主迭代训练
- 04
PPO与GRPO算法在信用分配机制上的核心区别
- 05
PPO的Clip截断约束与KL散度约束是否等价、适用场景差异
- 06
DAPO算法Token级损失函数，相较于原生GRPO的优化差异
- 07
手撕算法（简单）：三数之和
- 08
PPO算法中GAE优势函数的作用，已有Critic网络为何仍需GAE
- 09
上下文压缩（Context Compaction）操作后，模型信用分配难度加剧的原因
- 10
Agent强化学习场景Reward Hacking问题高发的底层机理
- 11
DSPO算法侧重序列级优化的设计逻辑与优势
- 12
DeepSeek-V4对比V3版本的核心技术迭代与能力升级
- 13
DeepSeek-V4大量采用在线策略蒸馏、替代纯RL迭代训练的设计考量
- 14
DeepSeek-V4的OPD在线策略蒸馏，与常规知识蒸馏的本质区别
- 15
手撕算法（偏难）：图像差异最小包围矩形求解