照目前的情况，双非本普通211硕。。。

GRPO（Group Relative Policy Optimization）虽然最初是为强化学习中的reasoning任务（如需要多步决策、逻辑推理的任务）设计的，但其核心思想——通过组内策略的相对比较来优化策略——也可以应用于非reasoning任务（如简单的控制任务、分类任务甚至生成任务）。以下是具体的分析和建议：首先我们看下GRPO的关键创新点是：✅组内相对比较（Group Relative）：将策略分成若干组（group），在组内比较不同策略的表现，而非绝对优化单个策略。✅相对策略梯度：通过组内策略的相对优势（relative advantage）计算梯度，降低方差并提升稳定性。这种思想本质上是一种基于比较的优化方法，与任务是否需要“reasoning”无直接关系，因此可以迁移到非reasoning任务中。🤔那么有哪些非Reasoning任务的适用场景呢？（1）简单控制任务（如机器人控制）问题：传统PPO可能因稀疏奖励或高方差导致训练不稳定。GRPO改进：将不同控制策略分组（例如不同参数化的控制器），在组内比较它们的表现，选择相对更优的策略更新。示例：机械臂抓取任务中，组内可以包含不同的抓取轨迹策略，通过相对优势选择更稳定的策略。（2）生成任务（如文本/图像生成）问题：生成模型的策略优化通常依赖对抗训练（GAN）或最大似然，容易陷入模式崩溃。GRPO改进：将生成器分成多个组（例如不同初始化或架构的子生成器），通过组内生成样本的质量相对比较优化策略。示例：在文本生成中，组内比较不同生成策略的流畅性、多样性等指标。（3）分类/回归任务问题：传统监督学习直接优化损失函数，可能对噪声敏感。GRPO改进：将模型的不同参数化版本（如不同dropout、超参数）分组，通过组内相对性能（如验证集准确率）更新模型。示例：图像分类中，组内比较不同数据增强策略的效果。✴️总结GRPO可以用于非reasoning任务，但需重新设计组的划分方式和相对比较的指标。其核心优势在于通过组内相对优化降低方差，适合奖励稀疏或需要多策略并行的场景。如果任务本身已有高效优化方法（如标准的监督学习），GRPO可能不会带来显著提升。🍊如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

学弟问了一个问题：大佬，可以看看我的情况如果想进大厂的话应该怎么做吗我是双非本，两段小厂实习，都是干了两个多月，没啥产出全凭包装，现在第三段实习在云智，六月底入职的，组内业务大模型应用相关，后端技术少这是志颜学长的回答，Ciusyan：先说结论，个人认为校招最好的打法就是：实习转正 + 同步校招，特别是对没有背景的双非本科而言。秋招的池子非常大，坑位又只有那么多，竞争度上去了，难度就比找实习大了些。如果有一份实习在手上，别管是日常还是暑期实习。尽早落落大方的去和你 Leader 谈转正的事情，不管你想不想留，都可以假意表达下想转正的意愿。如果就是明确告诉你没有转正（觉得你不行，不想留你）。那就...

今天老师为大家梳理了10道RAG大模型必备面试题，供各位同学参考。1️⃣Q1：如何评估RAG生成结果的质量？A1：① 事实准确性（Factual Accuracy）：对比标准答案；② 引用精确度（Citation Precision）：生成内容与引用文档的相关性；③ ROUGE/L等自动指标（需谨慎，可能与事实性脱钩）。2️⃣Q2：如何优化检索的召回率（Recall）？A2：① 使用Query扩展（同义词替换/LLM改写）；② 多向量表示（HyDE生成假设文档再检索）；③ 调整分块策略（重叠分块/多粒度分块）。3️⃣Q3：RAG如何处理多文档冲突信息？A3：①  让LLM总结共识点并标注分歧（提示词控制）；② 按文档来源权威性加权（如医学指南>普通文章）；  ③ 返回多视角答案（需明确说明冲突存在）。4️⃣Q4：如何解决“检索偏好”问题（Retrieval Bias）？A4：当检索结果质量差时强制生成会导致错误。解决方案：① 训练检索评估模块过滤低质结果；② 引入回退机制（如返回“无答案”）；③ 迭代检索（Re-Rank或多轮检索）。5️⃣Q5：如何优化长文档检索效果？A5：① Small-to-Big检索：先检索小分块，再关联其所属大文档；② 层次检索：先定位章节，再章节内分块检索；③ 图结构：用知识图谱关联文档片段。6️⃣Q6：解释HyDE（Hypothetical Document Embeddings）原理？A6：让LLM根据Query生成假设性答案，将其作为“伪文档”嵌入向量，再用该向量检索真实文档。解决Query与文档表述差异问题。7️⃣Q7：什么是迭代检索（Iterative Retrieval）？A7：多轮检索：首轮检索结果输入LLM生成初步答案，再以该答案为新Query二次检索，循环直到满足条件。适合复杂推理场景。8️⃣Q8：Self-RAG的核心创新点是什么？A8：引入可学习检索信号：模型自主决定何时检索（Retrieve on Demand），并生成特殊Token（如[Retrieval]、[No Retrieval]）控制流程。9️⃣Q9：RAG如何适配实时更新知识库A9：① 检索器使用近实时索引（如Elasticsearch增量更新）；② 生成器无需重训，但需监控新数据分布偏移。1️⃣0️⃣Q10：用户查询“2025年诺贝尔奖获得者”，但知识库只更新到2024年，RAG如何应对？A10：设计策略：① 检索器返回最新文档（2024年）；② 生成器明确回答“截至2024年数据，最新获得者为XX，2025年结果尚未公布”；③ 添加时间敏感性警告。🍊如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

一面1、自我介绍2、如何评估 AI聊天产品的好坏?3、你会用哪些指标去衡量AI对话体验?4、目前市面上的AI聊天产品，你觉得谁做得最好?5、为何现在的大模型大部分是Decoder only结构？6、介绍一下如何做竞品调研的，有哪些竞品？7、介绍一下你做过的这两个AI项目在时间规划上分别是怎样的？8、如何搭建AI 评测体系?9、离职原因二面1、自我介绍2、评测集的选择和构造，评测指标的计算评测数据如果和预期不符，你会怎么优化?3、涌现能力是啥原因？4、如何让大模型处理更长的文本？5、llama 输入句子长度理论上可以无限长吗？6、怎么确定选用什么模型以及为什么选择这个模型？7、针对智能客服项目，...