同一批偏好数据（prompt, chosen, rejected），分别用来跑 RLHF(PPO) 和 DPO。请说明这两条流程在训练时一共要加载/训练几个模型，DPO 的 loss 到底在优化什么量；然后回答：DPO 训练日志里 chosen 的 log probability 也在下降，这正常吗？为什么？

面试官在考什么

判断候选人是否真正理解 DPO 是『用偏好对构造隐式 reward 的离线方法』，以及它和 PPO 在模型数量、在线/离线上的本质差别，而不是只背『DPO 更简单』。

RLHF/DPO

回答框架 · 前两步

1. PPO 这条链路要 4 个模型：policy(actor)、reference、reward model、value/critic；reward model 另外用偏好数据按 Bradley-Terry 目标单独训出来
2. DPO 只要 2 个：policy 和 reference，不需要 reward model，也不需要在线采样 rollout 和 critic

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？