面试题库 › 算法 / 大模型 › RLHF 是什么及其三阶段流程

RLHF 是什么及其三阶段流程

难度 ★★☆在 4 场真实面经中被问到 方向:算法 / 大模型考点:强化学习对齐

哪些公司问过

阿里巴巴1百度1

常见岗位:AI 应用 / Agent 开发、NLP / 语音、推荐搜索广告、产品经理

答案要点

  1. RLHF让模型输出更符合人类偏好,经典流程来自InstructGPT
  2. 阶段一:SFT,用高质量指令数据微调
  3. 阶段二:基于人工排序的偏好对,用Bradley-Terry损失训练奖励模型
  4. 阶段三:PPO优化策略,奖励模型打分并加KL惩罚约束偏离
  5. 流程复杂成本高,DPO等方法直接用偏好数据优化

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题