手上只有 5 万条人工标注的偏好 pair（chosen/rejected），团队没有训练 reward model 的经验，算力只有 8 卡，SFT 基线已经训好。业务目标是「减少有害和不礼貌的回复，同时不要变得啰嗦」。你会选 PPO 式 RLHF 还是 DPO？为什么？如果上线后发现回答长度普遍变长，你怎么排查？

面试官在考什么

考察候选人能否在算力与经验约束下做出对齐方案选型，并识别偏好数据中的长度偏置这一最常见的隐性失败模式。

RLHF/DPO

回答框架 · 前两步

1. 选型上：8 卡 + 无 RM 经验 + 只有离线 pair，DPO 的工程成本低得多（不需要额外训 reward model、不做在线采样、不维护 PPO 的多模型），是更务实的起点。
2. 但 DPO 是离线/off-policy 的，只在偏好数据分布内有效；PPO 式 RLHF 能在线探索分布外、理论上上限更高，代价是 RM 训练 + 在线生成 + 调参复杂度。要按目标说清取舍，而不是笼统说「PPO 效果更好」。

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？