面试题库 › 算法 / 大模型 › GRPO 重要性采样的意义及 GSPO 对 MoE 的改进

GRPO 重要性采样的意义及 GSPO 对 MoE 的改进

难度 ★★★在 2 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

vivo1阶跃星辰1

常见岗位:大模型算法

答案要点

  1. 重要性采样:用 π_θ/π_old 修正旧策略采样与当前策略的分布差异,支持一批数据多步更新
  2. clip 限制比值范围,近似信赖域,防止策略更新过大
  3. GRPO 的比值是 token 级而奖励是序列级,存在粒度不匹配,长序列下方差大
  4. MoE 中路由随参数变化,新旧策略 token 概率波动大,导致裁剪频繁、训练不稳定
  5. GSPO 采用长度归一化的序列级重要性比值和序列级裁剪,提升 MoE RL 训练稳定性

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