1.你知道 DPO 的损失函数公式吗，2.GRPO , PPO 与 DPO 区别是什么3.GRPO / PPO 是 on policy 还是 off policy 的， DPO 呢4.DAPO 对 GRPO 的改进有哪些5.Gspo 对 Grpo 的改进有哪些6.比较一下 process reward 和 outcome reward7.强化学习训练时遇到 reward 上升，但 validation 时效果下降，有哪些解决思路8. VeRL 框架是同步的还是异步的，具体的训练流程是什么9.了解 RL 的训推不一致问题吗？训推不一致的产生原因是什么10.你认为未来 SFT 阶段和 RL 阶段，哪个更重要📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

岗位名称：推荐算法面试时长：1h+自评分：7/10是否下一轮：待通知一、检索与排序在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？（追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？为什么在实际系统中要做混合检索？Sparse 检索和 Dense 检索的基本原理分别是什么？（追问）两种方式在长尾 Query 上的表现差异如何？Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？（追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？在你...

非常有挑战性且开放的一次面试，无八股无手撕1. 假如让你从零构建一个 vla 模型 你对他的架构的设计是怎么样的？为什么2. 假如让你写一篇 vla+rl 的 综述，你会怎么写3. 你怎么看 vla 大模型 和 世界模型两条 具身智能的技术路线4. 你对vla模型的改进有哪些？5. 你认为从长远来看 vla 可以有哪些工作可以做来克服具身智能的挑战。

最近在网上上看到一段话，像一根刺一样扎进了我的心里：“这一刻，我忽然读懂了父亲当年的无奈。他身处改革开放的浪潮之巅，亲历国家GDP翻百倍的奇迹，却始终未能搭上时代的列车。如今，我站在AI革命的风口，面对大模型迭代的汹涌浪潮，虽能清晰看见机遇，却不知如何把握。原来，时代的浪潮从不为任何人停留，而“我”的存在，或许正是为了在迷茫中寻找属于自己的航向。”这段话让我想起我的父辈，也让我审视现在的自己。我们这代人，似乎正在经历同样的历史剧痛——眼睁睁看着时代呼啸而过，生怕自己是那个被留在站台上的人。这意味着：AI 不是 “可选赛道”，而是 “必答题”。父亲当年的无奈，源于信息差与选择成本；而今天的你们，...