你用 DPO 在偏好数据上训练，β=0.1。日志显示：chosen 样本的 logprob 持续下降，rejected 的 logprob 下降得更快，reward margin（chosen − rejected）在上升。请解释这一现象为什么会发生、它是不是问题；并说明 β 调大或调小分别会有什么后果。

面试官在考什么

判断候选人是真读过 DPO 的 loss 还是只会调脚本，能不能识别 likelihood displacement 这类反直觉现象。

RLHF/DPO

回答框架 · 前两步

1. DPO 优化的是隐式 reward 之差 β·[log(π/π_ref)_chosen − log(π/π_ref)_rejected]，本质是相对 margin，不要求 chosen 的绝对概率上升。
2. 两侧 logprob 同时下降但差扩大，是 DPO 已知的 likelihood displacement 现象，源于 reference 项与偏好项的拉扯。

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• 微调一个大模型时，LoRA 相比全参微调省在哪里？rank 怎么选？为什么它可以在推理时合并回原权重？
• 请说明 SFT、RLHF、DPO 各自解决什么问题。为什么有了 RLHF 还要提 DPO？
• 长文本场景下，上下文窗口装不下时你会怎么办？请对比"截断、分块递归总结、检索"三种方案的代价。
• 你要用大模型做一个每天数百万次调用的线上功能，成本和延迟怎么压？请给出你的优化优先级。
• 一个 32 层 decoder-only 模型，hidden_size=4096，attention head 数 32，KV head 数 8（即 GQA），FP16 推理。现在 batch_size=4、序列长度 8192。请算出 KV cache 占多少显存；如果把 GQA 换成 MHA（32 个 KV head），显存变成多少；并解释为什么现在的模型普遍用 Pre-LN + RMSNorm，而不是原始论文的 Post-LN + LayerNorm。
• 一个 7B 稠密模型，预训练上下文 4K，现在要支持 32K 推理。模型结构：32 层、32 个注意力头、head_dim=128。服务端 8×A100 80G，batch size 固定 16，FP16 权重 + FP16 KV cache。两个问题：(1) 注意力从 MHA 换成 GQA（8 个 KV 头）前后，32K 上下文下单批 KV cache 各是多少？(2) 4K→32K 的位置外推你会选哪种方案，代价是什么？