携程面试题更新 2026-08-05
请比较 PPO、DPO 和 GRPO 三种强化学习算法在训练 LLM 时的核心区别，并说明各自的适用场景。
携程人工智能消费品/零售技术原理技术选型方案权衡
考察说明
考察对主流强化学习微调算法的原理理解和选型能力
回答思路
- 能准确说明三者更新策略与目标函数的本质区别
- 能解释 DPO 如何绕过显式奖励模型与采样的简化
- 能说明 GRPO 对传统 PPO 的优势及适用场景
- 能结合实际业务场景给出合理的算法选择理由
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。
