面试题库 › 算法 / 大模型 › DeepSeek 在奖励建模上的做法(以 R1 为例)

DeepSeek 在奖励建模上的做法(以 R1 为例)

难度 ★★★在 2 场真实面经中被问到 方向:算法 / 大模型考点:奖励模型

哪些公司问过

淘天2

常见岗位:大模型算法

答案要点

  1. R1 推理强化学习用规则加可验证的奖励,不用神经奖励模型
  2. 准确性奖励:数学看答案,代码用测试验证;格式奖励:思考放入规定标签
  3. 不用神经奖励模型:易被钻空子(奖励黑客),且增加训练和维护成本
  4. 算法用 GRPO:组内奖励归一化得到优势,不需要价值网络
  5. 开放式任务后续阶段引入偏好奖励模型

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