大模型强化学习方向面经

硕士阶段的方向是强化学习，毕业后加入大厂做强化学习在游戏中的应用，已经有两年多了。这两年赶上了大厂很不好的光景，晋升被卡，涨薪变慢，真的是一言难尽。也算是openAI给饭吃，最近大火的大模型里用到了强化学习。因此想要尝试跳槽，换一份大模型方向的工作，做RLHF或者LLM-agents。

在boss上挂完简历，发现来聊的hr或者猎头倒是不少，可能是因为学历还有大厂光环暂时还有点作用。可是实际聊下来一圈以后，发现很多LLM岗位还是需要过往有NLP的经验，这个倒也是符合预期。对于阿里系（拆分后各个事业群独立招聘）、字节、百度等大厂，或者百川智能、360等比较头部有名气的中小公司，或许也能给到面试机会，但是在面试过程中一旦涉及到LLM具体的项目经验，像我这种完全空白的人来说只能尴尬地说没做过，背过的一些八股文也只能勉强应付。

1. PPO算法中使用GAE的好处以及参数γ和λ的作用是什么？
2. PPO算法和DQN算法的区别是什么？
3. 有哪些PPO算法的调参经验？
4. 在线强化学习和离线强化学习在技术和应用场景上有什么区别？
5. 强化学习和大模型之间的关联是什么？
6. 如何评估大模型中数据集的质量？
7. 目前国内一般选择基于哪些基座模型继续训练？
8. 国内做大模型的主要工作是哪几个部分？
9. 除了数据之外，还有哪些方向的工作可以进一步优化大模型的效果？
10. 大语言模型是怎么输出的，观察过输出的概率值吗？
11. 关于微调的方法有哪些？
12. 如果让你训练一个模型，基座，数据，finetune的方法怎么选？
13. 怎么解决大语言模型的幻觉问题，RLHF可以吗？
14. 是否看好国内做基座模型工作的前景，为什么？
15. 为什么模型越大，貌似更多地具备AGI的能力？这背后的逻辑是什么？
16. 介绍下对transformer的了解，网络结构相比于lstm有什么不同？
17. transformer里用到的正则化方法有哪些？
18. chatgpt训练过程中，奖励模型有更新吗？
19. chatgpt强化学习训练阶段还有什么改进的空间和思路吗？
20. 直接用训练reward model的数据精调模型，而不用强化学习，是否可行？为什么？
21. 了解bert和gpt网络结构的细节及其差异吗？
22. 假如reward model不太准，怎么办？
23. 有做过大模型训练的实践吗，有哪些收获或者感悟？