秋招极限二选一

简历挂了三个部门（阿里和团子，太狠了），自己在牛客找人，又给捞起来了。面试官人不错，乐乐呵呵的。先自我介绍了一下，自我介绍的面试官真不多。稍微问了下项目，有没有遇到什么问题等等。DPO loss 公式？手写。这里忘写出sigmiod，然后ref model的位置记混了，也给过了。 logits = (policy_good_logps - reference_good_logps) - (policy_bad_logps - reference_bad_logps) loss = -F.logsigmoid(beta * logits).mean() DPO 和 PPO 的区别？T1:找到有序...