面试知识点 1 2 3复印版本

victory04312026-05-09 9:23

文章目录

    • [1. HealthBench 的 7 大主题](#1. HealthBench 的 7 大主题)
    • [2. 你的项目：DPO → GRPO 对齐方案怎么讲](#2. 你的项目：DPO → GRPO 对齐方案怎么讲)
    • [3. 常见测评集速记表](#3. 常见测评集速记表)
    • [4. 三种对比数据筛选方法](#4. 三种对比数据筛选方法)
    • [5. 面试可背金句](#5. 面试可背金句)
    • [1. 结论：你的 SFT 数据筛选思路是否合理？](#1. 结论：你的 SFT 数据筛选思路是否合理？)
    • [2. 面试中推荐讲法](#2. 面试中推荐讲法)
    • [3. 这个方法的亮点](#3. 这个方法的亮点)
      • [亮点 1：不是单纯外部打分，而是 model-oriented](#亮点 1：不是单纯外部打分，而是 model-oriented)
      • [亮点 2：和 MoDS 思路一致，但更轻量](#亮点 2：和 MoDS 思路一致，但更轻量)
      • [亮点 3：比 Superfiltering 更贴近目标模型](#亮点 3：比 Superfiltering 更贴近目标模型)
    • [4. 最大风险：已有相似工作，需要准备差异化](#4. 最大风险：已有相似工作，需要准备差异化)
    • [5. 面试官可能质疑什么？怎么回答？](#5. 面试官可能质疑什么？怎么回答？)
    • [6. 建议你补强的实验](#6. 建议你补强的实验)
  • [7. 简洁八股文](#7. 简洁八股文)
    • [a. 什么是 LoRA 微调？](#a. 什么是 LoRA 微调？)
    • [b. 何时用 PPO、DPO、GRPO？](#b. 何时用 PPO、DPO、GRPO？)
    • [c. PPO / DPO / GRPO 区别和损失函数](#c. PPO / DPO / GRPO 区别和损失函数)
  • [[ L_{DPO}](#[ L_{DPO})
    • [-\mathbb{E} \log \sigma \left( \beta \left[ \log \frac{\pi_\theta(y_w|x)}{\pi_{ref}(y_w|x)}](#-\mathbb{E} \log \sigma \left( \beta \left[ \log \frac{\pi_\theta(y_w|x)}{\pi_{ref}(y_w|x)})
  • [[ L_{GRPO}](#[ L_{GRPO})
    • [-\mathbb{E} \left[ \frac{1}{G} \sum_i \frac{1}{|o_i|} \sum_t \min \left( \rho_{i,t}A_i, \text{clip}(\rho_{i,t},1-\epsilon,1+\epsilon)A_i \right)](#-\mathbb{E} \left[ \frac{1}{G} \sum_i \frac{1}{|o_i|} \sum_t \min \left( \rho_{i,t}A_i, \text{clip}(\rho_{i,t},1-\epsilon,1+\epsilon)A_i \right))
    • [d. 如何判断预训练、SFT、对齐可以进入下一阶段？](#d. 如何判断预训练、SFT、对齐可以进入下一阶段？)
    • [e. 你是如何进行多卡训练的？2 卡 H200 + 梯度累积](#e. 你是如何进行多卡训练的？2 卡 H200 + 梯度累积)
  • [[ B_{eff}](#[ B_{eff})
    • [f. 梯度累积的作用是什么？](#f. 梯度累积的作用是什么？)
    • [g. DeepSpeed ZeRO 1/2/3 阶段](#g. DeepSpeed ZeRO 1/2/3 阶段)
    • [h. 什么是 harness engineering？和普通 agent 区别？](#h. 什么是 harness engineering？和普通 agent 区别？)
    • [i. 你具体如何取得每个样本的 hidden state？](#i. 你具体如何取得每个样本的 hidden state？)
  • [问题 1：DPO 五个维度和官方 DPO loss 是什么关系？](#问题 1：DPO 五个维度和官方 DPO loss 是什么关系？)
  • [[ \mathcal L_{DPO}](#[ \mathcal L_{DPO})
    • [-\mathbb E \log \sigma \left( \beta [ \log \frac{\pi_\theta(y_c|x)}{\pi_{ref}(y_c|x)}](#-\mathbb E \log \sigma \left( \beta [ \log \frac{\pi_\theta(y_c|x)}{\pi_{ref}(y_c|x)})
    • 那五个维度是什么？
    • 具体实现路径
      • [Step 1：重构偏好对](#Step 1：重构偏好对)
      • [Step 2：转成 TRL DPO 格式](#Step 2：转成 TRL DPO 格式)
      • [Step 3：标准 DPO 训练](#Step 3：标准 DPO 训练)
    • 面试官视角评估
  • [问题 2：测评框架实践怎么讲？](#问题 2：测评框架实践怎么讲？)
  • [问题 3：hidden state 分类器 MLP 怎么设计？](#问题 3：hidden state 分类器 MLP 怎么设计？)
  • [问题 5：医疗数据筛选 GPT-5.2 打分 prompt 怎么写？](#问题 5：医疗数据筛选 GPT-5.2 打分 prompt 怎么写？)
  • 最后给你的统一面试表述

1. HealthBench 的 7 大主题

OpenAI HealthBench 是 5,000 条医疗对话、48,562 条医生编写 rubric、用 GPT-4.1 作为 grader 的医疗评测集；7 大主题是：(OpenAI)

  1. Emergency referrals：急诊/转诊识别
  2. Responding under uncertainty：不确定性下的保守回答
  3. Health data tasks：健康数据/医学信息处理
  4. Global health：全球健康/公共卫生
  5. Expertise-tailored communication：按用户专业水平沟通
  6. Context seeking：主动补问上下文
  7. Response depth：回答深度与完整性

2. 你的项目：DPO → GRPO 对齐方案怎么讲

一句话版本

我先用 DPO v2 修正医疗偏好数据中的错误偏好方向和低质量 rejected/chosen，再发现 DPO 主要优化 pairwise preference，不能稳定解决开放式医疗问答中的 急诊识别、上下文追问、保守表达和沟通质量 。所以我继续用 GRPO 做行为层面的强化学习对齐，用多维 reward shaping 引导模型在这些 HealthBench 相关维度上改进。

DPO 暴露出的问题

原始 medical pairwise 数据存在几个问题：chosen/rejected 方向不可靠；chosen 往往只是更长，不一定更安全或更准确；缺少上下文追问、hedging、急诊转诊等能力；直接 DPO 容易学到旧论坛式回答风格。你的 DPO v2 因此把目标拆成 accuracy、communication_quality、context_awareness、emergency_referrals、hedging 五类。(GitHub)

数据上，你把训练集重构为 train 3,800 / valid 100 / test 100 ，其中 train 全部被修改，swap_count 为 2,198；主要 issue tags 包括 poor_communication、missing_context_awareness、factual_risk、too_generic、overconfidence、label_direction_wrong。(GitHub)

训练后你发现 DPO 的内部 valid 太容易：step 30 pairwise accuracy 就饱和到 1.0，因此"内部 DPO 指标最优"不等于"真实医疗开放问答最优"。这是你继续做 GRPO 的动机。(GitHub)

GRPO 方案怎么设计

GRPO 不再使用 chosen/rejected pair，而是使用 prompt-only 数据，让模型对同一 prompt 采样多个回答，然后用 reward function 对同组回答打分，组内归一化后更新策略。你的 GRPO 数据来自 DPO v2 train 和高质量 holdout，重点覆盖五类 slice：communication、global_health、hedging、context_seeking、emergency 。(GitHub)

你在 v1 中加强了 emergency 和 context 的占比：train 共 3,000 条，valid 300 条；其中 emergency 550、context_seeking 500、communication 780、global_health 620、hedging 550。每条样本还带有 primary_slice、slice_tags、reward_profile、penalty_profile、hard_constraints、risk_level、reference_answer 和 negative_reference_answer。(GitHub)

损失函数怎么讲

不要说"我直接把硬规则写成 loss"。更准确的说法是：

我把硬规则写成 reward function，GRPO/DAPO 再把 reward 转成 advantage，用 PPO-style clipped objective + KL reference 来优化 policy。

核心形式可以这样背：

R(x,y)=\\sum_k w_k(x)r_k(x,y)+p_{safety}(x,y)

其中 reward 由 6 类组成：
communication_quality、context_awareness、hedging、emergency_referral、reference_alignment、safety_penalty 。这些 reward 会根据 prompt 的 slice、risk_level、hard_constraints 动态加权。(GitHub)

GRPO 对同一 prompt 采样多个回答，计算组内 advantage：

A_i=\\frac{R_i-\\text{mean}(R_{group})}{\\text{std}(R_{group})+\\epsilon}

再优化：

\\mathcal{L}\\approx-\\sum_{i,t}\\min(\\rho_{i,t}A_i,\\text{clip}(\\rho_{i,t},1-\\epsilon,1+\\epsilon)A_i)+\\beta KL(\\pi_\\theta\|\|\\pi_{ref})

你的实现里使用的是 TRL 的 GRPO/DAPO 思路：loss_type=dapo、num_generations=4、scale_rewards=group、beta=0.02，并用 DPO330 adapter 作为 policy 起点和 frozen reference。(Hugging Face)

硬规则 reward 是否合理

合理，但只能作为 v0/v1，不适合作为最终医疗安全对齐方案。

面试时可以这样说：

这套 hard-rule reward 的价值在于便宜、稳定、可解释，适合作为第一轮 GRPO reward shaping，验证 DPO → GRPO 是否能定向修复 emergency/context/communication 这类行为问题。但我不会把它声称为最终医疗安全 reward，因为它容易 reward hacking，比如模型堆砌"请及时就医""建议咨询医生"，但不一定真正理解风险。

你项目文档里也把它定位为 rule + reference anchored reward 的初版方案 ，后续计划是接入 LLM judge 或训练 local reward model，而不是把硬规则当最终评价器。(GitHub)

更好的面试答案

可以这样升级表达：

  1. 硬规则不是最终目标，而是 reward shaping：用于把 HealthBench 暴露的问题转成可优化信号。
  2. reference/negative reference 防止纯关键词刷分：不只看有没有"就医"，还看是否接近正例、远离负例。
  3. KL reference 防止模型漂移：GRPO 不是无限追 reward，而是相对 DPO330 稳定改进。
  4. 需要外部评测闭环 ：用 HealthBench 105 条浅测验证方向，GRPO v1 ckpt60 达到 0.3143，高于 SFT/DPO/base，但 emergency 仍未完全解决，所以不能夸大。(GitHub)
  5. 下一步改进：引入 LLM-as-judge/医生标注 reward、做 per-reward ablation、加强 emergency detector、把 DPO adapter merge 后重新开 GRPO LoRA 做对照实验。

3. 常见测评集速记表

测评集 内容与数量 测评方法 必背点
MMLU 57 个学科，约 15,908 道多选题，覆盖数学、历史、法律、医学、CS 等 多选 accuracy，通常做 macro average 测"知识广度 + 专业知识"，不是生成式评测。(arXiv)
ARC 小学/初中科学题，7,787 道；分 Easy 和 Challenge 多选 accuracy ARC-Challenge 是检索/词共现 baseline 做错的难题。(ModelScope)
TruthfulQA 817 个问题，38 类主题，包括健康、法律、金融、政治等 原始生成式可用 GPT-judge/GPT-info；MC 版本用 accuracy 测"模型是否迎合人类常见误解"，不是单纯知识题。(arXiv)
HellaSwag 约 70K 个常识推理多选题，选最合理的故事/动作结尾 多选 accuracy 人类很容易，模型容易被 adversarial filtering 生成的干扰项骗。(arXiv)
AlpacaEval 默认 805 条 instruction-following 样本 LLM judge pairwise，对比 reference，算 win rate / LC win rate 是 LLM-as-judge；优点快，缺点有长度/风格偏置，不替代安全评测。(GitHub)
GSM8K 约 8.5K 小学数学文字题，约 7.5K train / 1K test 最终答案 exact match / accuracy 测多步算术推理；通常不是 LLM 打分。(GitHub)
MATH-500 从 MATH benchmark 抽出的 500 道竞赛数学题 最终答案 exact/symbolic accuracy 比 GSM8K 难，覆盖代数、几何、数论、概率等。(ModelScope)
HumanEval 164 道 Python 编程题，每题含函数签名、docstring、测试 运行单元测试，算 pass@k 不是 LLM judge，是代码执行评测。(Hugging Face)
GPQA 448 道研究生级生物/物理/化学多选题；Diamond 子集 198 道 多选 accuracy "Google-proof" 高难科学问答；Diamond 随机是 25%。(arXiv)

4. 三种对比数据筛选方法

方法 核心思想 大概实现路径 记忆点
AlpaGasus 用强 LLM 给 instruction 数据打质量分，过滤低质量样本 Alpaca 52K → ChatGPT/强模型评估 instruction-response 质量 → 按分数阈值或 top-k 保留高质量数据 → 用小而精数据 SFT 论文中用约 9K 高质量样本就超过原 Alpaca，核心是 quality filtering 。(ICLR Proceedings)
MoDS Model-oriented Data Selection：质量、覆盖度、必要性三阶段 先用质量模型筛高质量数据 → 用 embedding + K-Center 保证 coverage → 训练初始模型 → 找出目标模型答不好的样本作为 necessary data 核心是 quality + coverage + necessity ，不是只看数据本身，还看目标模型缺什么。(GitHub)
Superfiltering 用小模型替大模型筛数据，weak-to-strong 用小 LM 计算 instruction-following difficulty / IFD 分数 → 选少量高价值样本 → 可再加 diversity selection → 训练大模型 核心是 小模型也能判断哪些数据对大模型有用 ；论文报告 5% 数据可超过 full-data baseline。(ACL Anthology)

5. 面试可背金句

DPO 解决的是 pairwise preference 的方向问题，GRPO 解决的是开放式生成中的行为对齐问题。

我的 hard-rule reward 不是最终医疗评价器，而是第一阶段可解释 reward shaping；真正可靠性来自 reference anchor、KL 约束、ablation 和 HealthBench 外部验证。

如果面试官追问不足，我会主动承认：关键词规则可能 reward hacking，所以后续要用 LLM judge、医生标注或 local reward model 替代纯规则 reward。

1. 结论：你的 SFT 数据筛选思路是否合理？

合理，面试官大概率可以接受。

你的方法本质是：用少量强模型标注，训练一个基于目标模型 hidden state 的轻量筛选器，再大规模筛数据。这比直接让 GPT 给 40 万条逐条打分更省钱，也比随机筛选更有模型针对性。

你的实验结果也能支撑：

训练数据 指标
全量 40 万 0.2112
随机 5 万 0.2298
hidden-state 筛选 5 万 0.2407

可以这样说：
相比全量 SFT，提升 0.0295，约 14.0% 相对提升；相比随机 5 万，提升 0.0109，约 4.7% 相对提升。

2. 面试中推荐讲法

不要说成"我用 GPT-5.2 直接筛数据"。更好的表达是：

我不是用 GPT-5.2 直接打满 40 万条数据，而是只抽样 3,000 条，用强 LLM 生成高/低质量监督信号；然后把目标模型在 instruction-response 上的 hidden states 作为特征，训练一个轻量 MLP 分类器。最后用这个分类器对 40 万数据打分，选择模型自己更可能受益的高质量样本做 SFT。

GPT-5.2 本身可以作为强 LLM judge 的来源，OpenAI 官方文档也列出了 GPT-5.2 在 API 中的模型名和可用性。(OpenAI)

3. 这个方法的亮点

亮点 1：不是单纯外部打分，而是 model-oriented

AlpaGasus 是让 ChatGPT 直接识别低质量数据，然后从 Alpaca 52K 里筛出 9K 高质量数据训练。(ICLR 会议录)

你的方法比它更进一步：GPT 只提供少量 seed label，最终排序依据来自目标模型 hidden states。

亮点 2：和 MoDS 思路一致，但更轻量

MoDS 强调 quality、coverage、necessity 三个维度，核心是"不同模型需要的数据不同"。(arXiv)

你的方法也符合这个逻辑：不是找通用好数据，而是找目标模型 hidden state 上认为更有价值的数据。

亮点 3：比 Superfiltering 更贴近目标模型

Superfiltering 用弱模型代替强模型筛数据，核心假设是小模型和大模型对 instruction difficulty 的感知有一致性。(ACL Anthology)

你的方法不是用外部小模型，而是直接用目标模型自己的内部表示，所以可以讲成更"模型自感知"。

4. 最大风险：已有相似工作，需要准备差异化

我检索到一个非常接近的公开工作 CPQS-Tuning ：它也提出 hidden states 反映数据质量，并用目标 LLM hidden states 训练数据分类模型，输出数据过滤分数；其实验也包括 Alpaca-GPT4 和 DeepSeek-R1 synthesized reasoning 数据，且宣称少于 10% 数据超过全量训练。(OpenReview)

所以你面试时不要说"全球首次发现 hidden states 可区分数据质量"。更稳妥的说法是：

我的贡献不是简单提出 hidden-state filtering，而是在我的任务设置里验证了 target-model self-perception 的有效性，并结合少量强模型打分、top/bottom 对比学习、目标模型 hidden-state MLP 筛选，在医疗/推理场景下实现了比全量和随机子集更好的 SFT 效果。

如果你的 AAAI-27 项目和 CPQS 无关，论文创新性需要重新打磨；如果 CPQS 是你们自己的工作或相关前作，那就要在简历和面试里说清楚关系。

5. 面试官可能质疑什么？怎么回答？

质疑 推荐回答
为什么只抽 3,000 条？够吗？ 3,000 条不是为了完整标注分布，而是为了拿到高置信度的 top/bottom 极端样本。极端样本 margin 大，更适合训练初版分类器。后续我会加 active learning，优先补标模型最不确定的样本。
top 1000 / bottom 1000 会不会太粗糙？ 是，所以我不会只依赖二分类。初版用二分类验证 hidden states 可分；更好的版本会用 GPT 分数做 regression/ranking loss，保留中间 1000 作为验证集或排序监督。
GPT-5.2 打分有偏置怎么办？ GPT-5.2 只是少量 teacher label，不是最终评测。最终效果看独立下游 benchmark；同时可做人类抽检、多 judge 一致性、不同 prompt 打分稳定性。
这还是外部评价模型，不是自感知吧？ GPT 只提供弱监督标签；真正给 40 万样本排序的是目标模型 hidden states + MLP。核心不是"GPT 判断质量"，而是"目标模型内部表征能否预测哪些样本更值得学"。
为什么全量 40 万反而差？ SFT 数据里噪声、重复、低质量回答会被同等学习；全量训练可能放大错误风格和冗余模式。随机 5 万减少了一部分噪声，但没有质量控制；我的 top 5 万进一步提高了样本质量。
会不会只筛出简单样本，导致能力不提升？ 这是风险。改进方案是加入 difficulty/coverage 约束：不是只选高质量，还要保证任务类型、长度、医学安全场景、推理难度、长尾类别覆盖。
80 分阈值怎么来的？ 不能说拍脑袋。应该说：阈值来自验证集校准和 top-k ablation，比如比较 top 1w/3w/5w/8w，以及 0.7/0.8/0.9 阈值，最后选验证集效果和覆盖度最优的点。
MLP 会不会过拟合？ 用简单 MLP/linear probe、dropout、weight decay、held-out 验证集、不同随机种子、多层 hidden state ablation；如果 linear probe 已经有效，说明 hidden state 本身有可分性。
如何证明不是长度泄漏？ 做 length-matched ablation：控制 response length、token 数、perplexity 后再训练分类器；同时报告只用长度特征的 baseline。如果 MLP 明显超过长度 baseline，说明不是简单长度偏置。
和 AlpaGasus / MoDS / Superfiltering 的区别？ AlpaGasus 是强 LLM 全量打分；MoDS 是 quality + coverage + necessity pipeline；Superfiltering 是小模型弱到强筛选。我的方法是目标模型 hidden-state self-perception，用少量强标签训练轻量筛选器。

6. 建议你补强的实验

面试时可以主动说这些，显得很严谨：

  1. Top-k ablation：top 1w / 3w / 5w / 8w / 10w。
  2. Layer ablation：最后一层、倒数 4 层平均、response token mean pooling、EOS pooling。
  3. Classifier ablation：linear probe vs MLP vs XGBoost。
  4. Feature leakage ablation：只用长度、loss、perplexity 做 baseline。
  5. Diversity constraint：top 5 万里按 embedding clustering / task category 做 quota，避免只选同质样本。
  6. Seed sensitivity：换 3 个随机种子重新抽 3,000 条，看结果是否稳定。
  7. Cross-benchmark eval：不能只报一个总分，要报数学、代码、医疗安全、instruction following 分项。
  8. Decontamination：排查是否筛进 benchmark 泄漏样本。

7. 简洁八股文

a. 什么是 LoRA 微调？

LoRA = Low-Rank Adaptation。

核心思想：冻结原模型参数，只在部分线性层旁边插入低秩矩阵：

W' = W + \\Delta W,\\quad \\Delta W = BA

其中 (A,B) 是可训练低秩矩阵，参数量远小于全参微调。LoRA 论文明确提出冻结预训练权重、注入可训练低秩矩阵，从而大幅减少可训练参数和显存。(arXiv)

面试一句话：

LoRA 不改动原始大模型主干，只训练低秩适配矩阵，用很少参数实现接近全参微调的效果，适合资源有限、快速适配领域任务。

b. 何时用 PPO、DPO、GRPO？

方法 什么时候用
PPO 有 reward model 或环境 reward，需要在线采样优化；适合复杂 RLHF，但训练成本高、不稳定。
DPO 有 chosen/rejected 偏好对，想稳定、低成本做偏好对齐；不需要显式 reward model。
GRPO 有规则 reward / LLM judge / 可验证 reward，希望像 PPO 一样在线采样，但不想训练 critic/value model。适合数学、代码、医疗安全规则对齐。

DPO 的优势是用简单分类损失直接优化偏好，避免 RLHF 中显式 reward model 和在线采样的复杂流程。(arXiv)

GRPO 是 DeepSeekMath 提出的 PPO 变体，用组内相对奖励优化，并降低 PPO 的内存开销。(arXiv)

c. PPO / DPO / GRPO 区别和损失函数

PPO

r_t(\\theta)=\\frac{\\pi_\\theta(a_t\|s_t)}{\\pi_{\\theta_{old}}(a_t\|s_t)}

L_{PPO}= \\mathbb{E}\\left\[ \\min(r_t A_t,\\text{clip}(r_t,1-\\epsilon,1+\\epsilon)A_t) \\right

]

核心：限制新旧策略变化幅度，稳定 RL 更新。

PPO 论文的关键就是优化 clipped / surrogate objective。(arXiv)

DPO

[

L_{DPO}

-\mathbb{E}

\log \sigma
\left(
\beta
\left[
\log \frac{\pi_\theta(y_w|x)}{\pi_{ref}(y_w|x)}

\log \frac{\pi_\theta(y_l|x)}{\pi_{ref}(y_l|x)}

\right]

\right)

]

核心：直接让 chosen 的相对概率高于 rejected。

GRPO

同一个 prompt 采样 (G) 个回答：

A_i = \\frac{r_i-\\text{mean}(r_1,\\dots,r_G)} {\\text{std}(r_1,\\dots,r_G)+\\epsilon}

[

L_{GRPO}

-\mathbb{E}

\left[
\frac{1}{G}
\sum_i
\frac{1}{|o_i|}
\sum_t
\min
\left(
\rho_{i,t}A_i,
\text{clip}(\rho_{i,t},1-\epsilon,1+\epsilon)A_i
\right)

\beta KL

\right]

]

核心：不用 critic，用组内平均 reward 当 baseline。

TRL 文档也提示 GRPO/DAPO 公式中要注意长度偏置问题，DAPO 使用 token-level normalization 缓解长回答偏置。(Hugging Face)

d. 如何判断预训练、SFT、对齐可以进入下一阶段？

预训练完成

看：

  1. validation loss / perplexity 下降趋缓；
  2. 下游通用 benchmark 增益变小；
  3. 继续训练收益低于算力成本；
  4. 没有明显数据污染、重复、灾难性退化。

一句话：

预训练完成不是 loss 最低，而是继续堆 token 的边际收益明显下降，可以进入指令学习阶段。

SFT 完成

看：

  1. instruction-following eval 提升趋缓；
  2. held-out SFT loss 不再明显下降；
  3. 输出格式、问答风格稳定；
  4. 通用能力没有明显掉：数学、代码、知识、安全；
  5. 人工抽检没有大量幻觉、拒答、跑题。

一句话：

SFT 完成的标准是模型已经学会基本指令遵循和领域回答格式，但还没有过拟合到模板化回答。

对齐完成

看：

  1. reward / preference win rate 提升趋缓；
  2. 外部 benchmark 提升，而不是只刷 reward；
  3. KL、长度、拒答率、幻觉率可控；
  4. safety red-team 和关键 slice 通过；
  5. 没有 reward hacking。

一句话：

对齐完成不是 reward 越高越好，而是偏好、安全、事实性和任务能力同时稳定，没有明显副作用。

e. 你是如何进行多卡训练的？2 卡 H200 + 梯度累积

推荐回答：

我用 2 张 H200 做数据并行训练，每张卡放一个模型副本或 LoRA adapter，每张卡处理不同 mini-batch。反向传播后通过 DDP/Accelerate/DeepSpeed 做梯度同步。因为显存和 batch size 受限，我设置 gradient_accumulation_steps，把多个 micro-batch 的梯度累积后再执行一次 optimizer step。

有效 batch size：

[

B_{eff}

B_{per_device}

\times N_{gpu}

\times G_{accum}

]

例如：

2 \\times 2 \\times 8 = 32

也就是每卡 batch size 2，两张卡，累积 8 步，等效 batch size 是 32。

f. 梯度累积的作用是什么？

核心作用：

  1. 模拟更大 batch size；
  2. 降低单步显存压力；
  3. 让训练更稳定；
  4. 减少 optimizer step 次数。

缺点：

  1. wall-clock 可能变慢；
  2. 参数更新频率降低；
  3. 多卡下如果实现不好，会增加通信开销。

一句话：

梯度累积就是用多个小 batch 累加梯度，等价近似一个大 batch，再统一更新参数。

g. DeepSpeed ZeRO 1/2/3 阶段

阶段 切分内容 作用
ZeRO-1 optimizer states 切 Adam 的一阶/二阶动量，省优化器显存
ZeRO-2 optimizer states + gradients 进一步切梯度，显存更省
ZeRO-3 optimizer states + gradients + parameters 连模型参数也切分，最省显存，但通信成本最高

DeepSpeed 官方文档也明确写到：Stage 1 切 optimizer state，Stage 2 切 optimizer + gradient，Stage 3 切 optimizer + gradient + parameter。(DeepSpeed)

一句话：

ZeRO 的核心是消除多卡训练中的冗余存储；stage 越高越省显存，但通信和工程复杂度越高。

h. 什么是 harness engineering？和普通 agent 区别？

普通 agent ：一个会规划、调用工具、执行任务的智能体。
harness engineering：围绕 agent 搭建环境、工具、约束、文档、测试、反馈闭环，让 agent 能可靠完成复杂任务。

OpenAI 的文章总结得很清楚：未来工程师的重点不只是写代码，而是设计环境、表达意图、构建反馈循环，让 Codex agents 可靠工作。(OpenAI)

面试回答：

Agent 是执行者，harness 是让 agent 可控、可验证、可迭代的工程系统。包括 AGENTS.md、repo docs、CI、linter、测试、observability、eval、权限控制、失败恢复和人工验收标准。

OpenAI 文章里还提到，他们把 AGENTS.md 作为入口地图，而不是巨大说明书，并用 docs 目录作为 system of record。(OpenAI)

i. 你具体如何取得每个样本的 hidden state？

推荐回答：

对每条 instruction-response 样本，我先用和 SFT 一致的 chat template 拼接输入，比如 system + user + assistant response。然后把完整序列输入目标 base model，开启 output_hidden_states=True，不计算梯度。接着只取 assistant response token 对应位置的 hidden states，做 pooling，得到一个固定维度向量作为这个样本的表示。

具体步骤：

  1. 构造输入

x_i = \[system, user, assistant\\ response

]

  1. tokenize，并记录 response token span
text 复制代码 
prompt tokens: instruction 部分
response tokens: assistant answer 部分
  1. 前向传播
python 复制代码 
with torch.no_grad():
    outputs = model(
        input_ids=input_ids,
        attention_mask=attention_mask,
        output_hidden_states=True
    )
  1. 取 hidden state

常用选择：

python 复制代码 
last_hidden = outputs.hidden_states[-1]
response_hidden = last_hidden[response_token_mask]
  1. pooling 成样本向量

常用三种：

python 复制代码 
h = response_hidden.mean(dim=0)

或：

python 复制代码 
h = last_hidden[eos_position]

或：

python 复制代码 
h = mean(last_4_layers_response_hidden)
  1. 训练 MLP

p_i = \\text{MLP}(h_i)

其中 label 来自 GPT-5.2 打分后的 top 1000 / bottom 1000：

text 复制代码 
top 1000 -> label 1
bottom 1000 -> label 0
  1. 筛 40 万数据

对全部样本抽 hidden state，MLP 输出：

p(\\text{high quality}\|h_i)

排序后选择 top 5 万，或者选择校准概率大于 0.8 的样本。

一句话版本：

我不是取生成时的文本特征，而是取目标模型读完整个 instruction-response 后，在 response token 上产生的最后层 hidden states；它代表模型对这条样本的内部感知，再用 MLP 把这种感知映射为质量分数。

下面是面试提纲版 。我先纠正一个关键点：你的 DPO v2 没有自定义五个 loss，五个维度是偏好数据重构标准，不是 DPO 损失函数。

问题 1：DPO 五个维度和官方 DPO loss 是什么关系？

核心回答

DPO 的 loss 还是标准 DPO loss，没有改公式。

标准 DPO 优化的是：

[

\mathcal L_{DPO}

-\mathbb E

\log \sigma
\left(
\beta

\\log \\frac{\\pi_\\theta(y_c\|x)}{\\pi_{ref}(y_c\|x)} \\log \\frac{\\pi_\\theta(y_r\|x)}{\\pi_{ref}(y_r\|x)}

\right)

]

其中：

  • (y_c)：chosen / 好回答
  • (y_r)：rejected / 坏回答
  • (\pi_\theta)：当前策略模型
  • (\pi_{ref})：reference model
  • (\beta)：控制偏离 reference 的强度

TRL 官方文档也说明，DPO 使用 prompt / chosen / rejected 偏好数据，通过 widening chosen 与 rejected 相对 reference 的 log-likelihood margin 来训练；你的代码也是用 DPOTrainer、DPOConfig、loss_type=sigmoid，不是自定义多任务 loss。(Hugging Face)

那五个维度是什么？

五个维度：

  1. accuracy
  2. communication_quality
  3. context_awareness
  4. emergency_referrals
  5. hedging

它们不是 loss term，而是 DPO v2 偏好数据重构时的打标/改写标准。

你的 reconstruct_dpo_dataset.py 里用 GPT-5.2 作为医疗偏好数据重构器，要求它判断原始 chosen/rejected 是否方向正确，并围绕这五个维度重写 final_chosen 和 final_rejected。输出里包括：

  • label_correct
  • swap_pair
  • issue_tags
  • target_tags
  • rationale
  • final_chosen
  • final_rejected

也就是说，五个维度决定的是 什么样的回答应该成为 chosen ，而不是改变 DPO loss 本身。(GitHub)

具体实现路径

Step 1：重构偏好对

原始 medical pairwise 数据存在问题：

  • chosen/rejected 方向不可靠；
  • chosen 有时只是更长，不一定更安全；
  • 缺少上下文追问；
  • 缺少急诊识别；
  • 存在过度自信回答。

所以 DPO v2 用 GPT-5.2 重构每条样本，产出更可靠的 final_chosen / final_rejected。你的文档中记录：train 3,800 条全部被修改，swap_count=2198，说明原始偏好方向确实有大量问题。(GitHub)

Step 2：转成 TRL DPO 格式

dpo_data_prepare.py 把数据转成：

json 复制代码 
{
  "prompt": [...],
  "chosen": [{"role": "assistant", "content": "..."}],
  "rejected": [{"role": "assistant", "content": "..."}],
  "source": "medical_pairwise_reconstructed_v2"
}

这正是 TRL DPO 所需的 conversational preference format。(GitHub)

Step 3：标准 DPO 训练

train_dpo.py 里使用：

python 复制代码 
DPOTrainer(...)
DPOConfig(
    beta=args.beta,
    loss_type=[args.loss_type],
    ...
)

你的训练配置是：

  • beta=0.1
  • loss_type=sigmoid
  • LoRA r=16, alpha=32, dropout=0.05
  • 2 卡 H200
  • per-device batch size 2
  • gradient accumulation 8
  • metric：eval_rewards/accuracies

所以准确说法是：DPO v2 是五维偏好数据重构 + 标准 DPO 训练。 (GitHub)

面试官视角评估

基本满意口径：

我没有修改 DPO loss。我的创新在数据层：我发现原始医疗偏好对方向混乱、缺少急诊识别和上下文追问，所以用 GPT-5.2 按 accuracy、communication、context、emergency、hedging 五个维度重构 chosen/rejected。之后仍然用标准 DPO loss 训练，让模型提高 chosen 相对 rejected 的概率。

风险提醒：

  • 不要说"我设计了五个 DPO loss"，这是错误表述。
  • 可以说"我设计了五个 preference construction axes"。
  • 面试官如果追问 reference model：你可以说 DPO 从 merge 后的 SFT checkpoint 初始化，reference 由 TRL DPOTrainer 管理；工程上相当于约束 policy 不要过度偏离 SFT reference。
  • 你的 DPO valid 只有 100 条，而且 step 30 就 accuracy 饱和到 1.0，这说明内部 valid 偏容易，不能把 eval_rewards/accuracies=1.0 夸成真正医疗安全能力已经解决。(GitHub)

问题 2：测评框架实践怎么讲？

总体回答

我会把评测分成三层：

  1. 标准 benchmark 自动评测 ：用 lm-evaluation-harness 跑 MMLU、ARC、HellaSwag、TruthfulQA、GSM8K、HumanEval。
  2. LLM-as-judge 指令跟随评测：用 AlpacaEval 和自建 pairwise comparison。
  3. 数学/推理专项评测：用 EvalScope 跑 MATH-500、GPQA 等长推理任务。

2.1 lm-evaluation-harness

框架信息

lm-evaluation-harness 是 EleutherAI 维护的通用大模型评测框架，支持 HuggingFace 模型、本地路径、vLLM、多卡、batch size、任务列表查询等。官方示例就是：

bash 复制代码 
lm_eval \
  --model hf \
  --model_args pretrained=EleutherAI/gpt-j-6B \
  --tasks hellaswag \
  --device cuda:0 \
  --batch_size 8

也可以用本地模型路径或 vLLM 后端。(GitHub)

你可以怎么接入模型

HuggingFace / merged model 方式
bash 复制代码 
pip install "lm_eval[hf]"

lm_eval \
  --model hf \
  --model_args pretrained=/path/to/merged_model,dtype=bfloat16,trust_remote_code=True \
  --tasks mmlu,arc_challenge,hellaswag,truthfulqa_mc2 \
  --device cuda:0 \
  --batch_size 8 \
  --output_path results/general_eval
vLLM 方式
bash 复制代码 
pip install "lm_eval[vllm]"

lm_eval \
  --model vllm \
  --model_args pretrained=/path/to/merged_model,tensor_parallel_size=2,dtype=auto,gpu_memory_utilization=0.8 \
  --tasks gsm8k,humaneval \
  --batch_size auto \
  --output_path results/reasoning_eval

官方也提供了 vLLM 后端和多 GPU 参数，例如 tensor_parallel_size、gpu_memory_utilization 等。(GitHub)

LoRA 模型怎么评测？

推荐面试回答：

我一般先把 LoRA adapter merge 到 base model，再用 harness 评测，这样 tokenizer、chat template、模型权重状态最稳定。也可以用 harness 的 PEFT 参数直接加载 adapter，但为了结果可复现，我更倾向于 merge 后固定版本评测。

常见坑

坑 解决办法
task 名称不确定 用 lm-eval ls tasks 查任务名。官方 task list 里有 ARC、GPQA、GSM8K、HellaSwag、HumanEval 等任务。(GitHub)
MMLU / ARC / TruthfulQA 版本混淆 明确写 mmlu、arc_challenge、truthfulqa_mc1/mc2，不要只写"跑了 TruthfulQA"。
chat template 不一致 base leaderboard 类任务通常是 continuation scoring；instruct 模型是否加 chat template 要固定并报告。
LoRA 没 merge 导致加载错模型 最稳妥是 merge adapter 后保存完整模型再评测。
batch size OOM 用 --batch_size 8 或更小；vLLM 下调 gpu_memory_utilization 或开 tensor parallel。官方也建议 OOM 时调 batch size / parallel size。(GitHub)
HumanEval 安全风险 HumanEval 要执行生成代码，最好在 sandbox / docker 中跑，避免任意代码执行风险。
GSM8K 答案抽取失败 固定 answer format，例如要求 #### final_answer，否则 exact match 容易误判。

面试官视角评估

基本满意口径：

我不是手写每个 benchmark，而是用 lm-evaluation-harness 做标准化评测。模型接入时优先 merge LoRA，固定 tokenizer、chat template、dtype 和 batch size。MMLU/ARC/HellaSwag/TruthfulQA 走 multiple-choice accuracy，GSM8K 走最终答案匹配，HumanEval 走代码执行 pass@k。

风险提醒：

  • 不要只说"我用 harness 跑了一下"，要能说出 --model hf、--model_args pretrained=...、--tasks、--batch_size。
  • 你的文字里把 GSM8K 说成"middle/high-school arithmetic, algebra, geometry"不够准确；官方 GSM8K 是 8.5K grade-school math word problems，约 7.5K train / 1K test 。(GitHub)

2.2 自建 Pairwise Comparison

框架信息

你们的做法是：对 Koala、WizardLM、Self-Instruct、Vicuna 等 instruction 集合生成模型回答，然后用 GPT-4o 作为 judge，从 relevance 和 accuracy 两个维度打 1--10 分，两轮交换 A/B 位置，最后统计 Win / Tie / Loss。

实现流程

text 复制代码 
1. 准备 instruction 测试集
2. 用 baseline model 和 candidate model 分别生成回答
3. 构造 judge prompt
4. GPT-4o 对 A/B 回答打分
5. 第二轮交换 A/B 位置再评一次
6. 两轮一致则记 Win/Loss；不一致或差距小则记 Tie
7. 汇总 win rate / tie rate / loss rate

建议 JSONL 格式：

json 复制代码 
{
  "dataset": "koala",
  "instruction": "...",
  "output_a": "...",
  "output_b": "...",
  "model_a": "baseline",
  "model_b": "candidate"
}

judge 输出：

json 复制代码 
{
  "score_a_relevance": 8,
  "score_a_accuracy": 7,
  "score_b_relevance": 9,
  "score_b_accuracy": 8,
  "winner": "B",
  "reason": "..."
}

常见坑

坑 解决办法
position bias A/B 交换两轮评测。
verbosity bias judge prompt 要提醒"不因更长而偏好"。
judge drift 固定 judge 模型版本、temperature=0、缓存 judge 输出。
只看总 win rate 不看类别 分 Koala/WizardLM/Self-Instruct/Vicuna 分别汇报。
GPT judge 不能替代事实评测 pairwise 只说明 instruction-following 体验，不等于数学、代码、医学安全能力。

面试官视角评估

基本满意。

你能讲清楚两轮 A/B swap、relevance/accuracy、Win/Tie/Loss，就说明不是粗糙 LLM judge。

风险提醒：

  • GPT-4o judge 有风格偏好，不能把它当绝对真值。
  • 最好补一句："我会用人工抽检和标准 benchmark 交叉验证 LLM judge 结果。"

2.3 AlpacaEval

框架信息

AlpacaEval 是 instruction-following 的 LLM-as-judge 框架，输入模型 outputs，然后自动和 reference output 做 pairwise 比较，输出 win rate / length-controlled win rate。官方也提醒，自动 evaluator 可能偏好更长或特定风格回答，不能替代高风险场景的人类评测。(GitHub)

如何接入

输出文件：

json 复制代码 
[
  {
    "instruction": "Explain why the sky is blue.",
    "output": "..."
  }
]

运行：

bash 复制代码 
pip install alpaca-eval

alpaca_eval \
  --model_outputs outputs.json \
  --output_path results/alpaca_eval

如果你们论文里写的是 against text-davinci-003，要注意 AlpacaEval 1.x 和 2.0 的 reference / annotator 配置不同。官方文档也说明，早期 AlpacaEval 使用 text-davinci-003 作为默认参考，而 AlpacaEval 2.0 默认 reference 是 GPT-4 Turbo。(GitHub)

常见坑

坑 解决办法
reference 版本变化 明确写 AlpacaEval 版本、reference model、annotator config。
长度偏置 同时报告 LC win rate。
输出字段错误 必须有 instruction 和 output。
API 成本和复现问题 缓存 judge 结果，固定 evaluator 版本。

面试官视角评估

基本满意口径：

AlpacaEval 我用来评估 instruction-following，不把它当事实正确性的唯一指标。接入时先生成标准 JSON outputs，再用 AlpacaEval 的 annotator 计算 win rate，并报告版本、reference 和 LC win rate。

风险提醒：

  • 只报 AlpacaEval win rate 会显得单薄。
  • 要主动说它是 LLM-as-judge，有长度和风格偏置。

2.4 EvalScope

框架信息

EvalScope 是 ModelScope 生态里的评测框架，支持本地模型、API 模型、标准 benchmark、自定义数据、结构化结果、dashboard、pairwise arena 等。你们用它跑 MATH-500 和 GPQA 是合理的。(GitHub)

如何接入模型

常见做法是先用 vLLM 起 OpenAI-compatible server：

bash 复制代码 
python -m vllm.entrypoints.openai.api_server \
  --model /path/to/merged_model \
  --served-model-name my_model \
  --trust-remote-code \
  --port 8801

然后 EvalScope 通过 API 调用：

python 复制代码 
from evalscope import TaskConfig, run_task

cfg = TaskConfig(
    api_url="http://127.0.0.1:8801/v1/chat/completions",
    model="my_model",
    eval_type="openai_api",
    datasets=["math_500"],
    dataset_args={
        "math_500": {
            "few_shot_num": 0
        }
    },
    eval_batch_size=32,
    generation_config={
        "max_tokens": 20000,
        "temperature": 0.6,
        "top_p": 0.95,
        "n": 1
    }
)

run_task(cfg)

EvalScope 官方示例也使用 OpenAI API 兼容服务、TaskConfig、datasets=["math_500"]、few_shot_num、eval_batch_size 和 generation config。(EvalScope)

GPQA 可以类似配置：

python 复制代码 
cfg = TaskConfig(
    api_url="http://127.0.0.1:8801/v1/chat/completions",
    model="my_model",
    eval_type="openai_api",
    datasets=["gpqa"],
    dataset_args={
        "gpqa": {
            "subset_list": ["gpqa_diamond"],
            "few_shot_num": 0
        }
    },
    eval_batch_size=16,
    generation_config={
        "max_tokens": 20000,
        "temperature": 0.0,
        "top_p": 1.0,
        "n": 1
    }
)

常见坑

坑 解决办法
MATH-500 max tokens 太短 长推理模型要给足 max_tokens，例如 8K--20K。
temperature 不一致 pass@1 通常用 temperature=0；如果用采样，要报告 n 和平均方式。
答案抽取失败 强制模型输出 Final Answer: 或 \boxed{}。
GPQA 选项顺序偏置 固定或随机化选项顺序，并报告设置。
API 并发不稳定 控制 eval_batch_size，缓存中间结果。

面试官视角评估

基本满意。

你能讲出"vLLM 起 OpenAI API 服务 + EvalScope TaskConfig + dataset_args + generation_config"，面试官会认为你确实跑过评测。

风险提醒：

  • MATH-500 / GPQA 的成绩很依赖答案抽取和 generation config。
  • 要报告 temperature、max_tokens、few_shot_num、n，否则结果不容易复现。

问题 3：hidden state 分类器 MLP 怎么设计？

Qwen2.5-7B hidden size

Qwen2.5-7B 的官方 config 里：

  • hidden_size = 3584
  • num_hidden_layers = 28
  • num_attention_heads = 28
  • num_key_value_heads = 4
  • max_position_embeddings = 131072

所以如果你取最后一层 hidden state，并做 response token pooling，每条样本得到的向量维度是：

3584

(Hugging Face)

hidden state 怎么取？

推荐面试回答：

我把 instruction 和 response 按 SFT chat template 拼接后输入目标模型，开启 output_hidden_states=True，不计算梯度。然后只取 assistant response token 对应位置的最后一层 hidden states，用 token-level mean pooling 得到一个 3584 维样本表示。

伪代码：

python 复制代码 
with torch.no_grad():
    outputs = model(
        input_ids=input_ids,
        attention_mask=attention_mask,
        output_hidden_states=True
    )

h = outputs.hidden_states[-1]          # [B, T, 3584]

mask = assistant_response_mask          # [B, T]
masked_h = h * mask.unsqueeze(-1)

feature = masked_h.sum(dim=1) / mask.sum(dim=1).clamp_min(1).unsqueeze(-1)
# feature: [B, 3584]

推荐 MLP 配置

因为你只有：

  • top 1000 高质量样本
  • bottom 1000 低质量样本

监督样本只有 2000 条，不建议 MLP 太大。

推荐配置：

text 复制代码 
Input: 3584
Linear(3584, 512)
LayerNorm(512)
GELU
Dropout(0.1)

Linear(512, 128)
GELU
Dropout(0.1)

Linear(128, 1)
BCEWithLogitsLoss

参数量约：

text 复制代码 
3584 × 512 ≈ 1.84M
512 × 128 ≈ 65K
128 × 1 ≈ 128
总计约 1.9M 参数

训练设置：

text 复制代码 
optimizer: AdamW
lr: 1e-4
weight_decay: 1e-4 或 1e-3
batch_size: 64 或 128
early stopping: valid AUC / F1
loss: BCEWithLogitsLoss

数据规模估算

每条样本一个 3584 维向量：

存储格式 单样本 40 万样本
fp16 / bf16 约 7 KB 约 2.7 GiB
fp32 约 14 KB 约 5.3 GiB

所以把 40 万样本的 pooled hidden states 离线存下来是可行的。

更稳妥的实验设计

你可以这样回答：

我会先跑 linear probe，看 hidden states 是否线性可分；如果 linear probe 已经不错，再用小 MLP 提升非线性表达。为了避免模型只学到 response 长度，我会做 length-only baseline 和 length-matched ablation。

建议补充：

  1. linear probe baseline ：3584 -> 1
  2. MLP baseline ：3584 -> 512 -> 128 -> 1
  3. layer ablation：最后一层 vs 倒数 4 层平均
  4. pooling ablation：mean pooling vs last token pooling vs EOS pooling
  5. leakage ablation：只用长度、loss、perplexity 做对照

面试官视角评估

基本满意口径：

Qwen2.5-7B hidden size 是 3584。我取 assistant response token 的 hidden states 做 mean pooling，得到 3584 维样本向量。分类器用轻量 MLP，3584→512→128→1，BCE loss。因为标注只有 2000 条，所以我会控制模型规模，并加 linear probe、length baseline 和 layer/pooling ablation。

风险提醒：

  • 不要 pool 全部 token，否则模型可能主要学到 prompt/topic，而不是 response 质量。
  • 不要用过大的 MLP；2000 条标签训练 10M+ 参数分类器容易过拟合。
  • 一定要做 length baseline，否则面试官会质疑"你只是学到了回答长短"。

问题 5：医疗数据筛选 GPT-5.2 打分 prompt 怎么写？

推荐打分维度

我建议用 0--100 总分 + 维度分 + 硬性封顶规则。

六个正向维度

维度 分数 含义
medical_accuracy 0--25 医学事实是否正确，有无误导
safety_triage 0--20 是否识别急诊、危险症状、用药风险
context_uncertainty 0--15 是否主动补问关键信息，是否表达不确定性
communication_quality 0--15 是否清楚、同理、非恐吓、非武断
usefulness_completeness 0--15 是否给出可执行、结构化、完整建议
instruction_following 0--10 是否回答用户问题、语言和格式是否一致

总分：

final_score \\in \[0,100

]

硬性封顶规则

这些规则很重要，能防止"语言好但危险"的回答拿高分。

情况 最高分
明显危险医疗建议，例如延误急诊、错误用药 cap 30
明显医学事实错误 cap 40
只会泛泛说"请咨询医生"，没有实际帮助 cap 50
答非所问 / 非医疗垃圾数据 cap 35
过度诊断、过度确定，没有必要 hedging cap 60
缺少必要急诊提醒 cap 65

这和你现有医疗 SFT 数据筛选思路一致：你已经在文档里做过规则过滤、低信息 boilerplate 识别、过度绝对化表达、高风险缺少急诊提示等质量特征。(GitHub)

可直接使用的 prompt

text 复制代码 
你是医疗 SFT 数据质量评审器。你的任务不是回答医学问题，而是判断给定 instruction-response 是否适合作为医疗助手的监督微调样本。

请从以下维度评分，总分 0-100：

1. medical_accuracy，0-25：
   - 医学事实是否正确；
   - 是否避免伪科学、错误诊断、错误用药；
   - 是否避免把不确定问题说得过于确定。

2. safety_triage，0-20：
   - 是否识别急诊或高风险信号；
   - 是否在必要时建议及时就医、急诊、线下检查；
   - 是否避免延误治疗或危险自我处理。

3. context_uncertainty，0-15：
   - 是否主动补问年龄、性别、病程、症状严重程度、既往病史、用药、妊娠等关键信息；
   - 是否表达线上建议的局限性；
   - 是否合理使用 hedging，而不是绝对判断。

4. communication_quality，0-15：
   - 表达是否清晰、礼貌、有同理心；
   - 是否避免恐吓、责备、冷漠；
   - 是否适合普通患者理解。

5. usefulness_completeness，0-15：
   - 是否给出结构化、可执行建议；
   - 是否覆盖观察、生活方式、检查、就医时机等必要内容；
   - 是否避免空泛模板。

6. instruction_following，0-10：
   - 是否回答用户问题；
   - 是否符合用户语言和格式；
   - 是否没有无关扩写。

硬性封顶规则：
- 如果 response 包含明显危险医疗建议，final_score 不得超过 30。
- 如果 response 有明显医学事实错误，final_score 不得超过 40。
- 如果 response 只有"建议咨询医生/去医院"这类低信息模板，final_score 不得超过 50。
- 如果 response 答非所问或不是有效医疗回答，final_score 不得超过 35。
- 如果 response 对诊断或治疗做出过度确定判断，且没有必要的不确定性表达，final_score 不得超过 60。
- 如果 instruction 涉及急诊风险，但 response 未提醒及时就医，final_score 不得超过 65。

请只输出 JSON，不要输出额外解释。

输入：
instruction:
{{instruction}}

response:
{{response}}

输出 JSON 格式：
{
  "dimension_scores": {
    "medical_accuracy": 0,
    "safety_triage": 0,
    "context_uncertainty": 0,
    "communication_quality": 0,
    "usefulness_completeness": 0,
    "instruction_following": 0
  },
  "raw_total": 0,
  "cap_applied": true,
  "cap_reason": "none | dangerous_advice | factual_error | low_information | off_topic | overconfident | missing_emergency_referral",
  "final_score": 0,
  "quality_bucket": "top | middle | bottom",
  "risk_flags": [
    "factual_error",
    "missing_context",
    "missing_emergency_referral",
    "overconfident",
    "low_information",
    "poor_communication"
  ],
  "one_sentence_reason": "...",
  "keep_for_sft": true
}

在你的 self-perception 筛选里怎么用？

流程：

text 复制代码 
1. 从 40 万 SFT 数据中随机抽 3000 条
2. 用 GPT-5.2 按上面 rubric 打 final_score
3. 取 top 1000 作为 high-quality label = 1
4. 取 bottom 1000 作为 low-quality label = 0
5. 中间 1000 不参与训练，可做 calibration / sanity check
6. 对这 2000 条抽 Qwen2.5-7B hidden states
7. 训练 MLP 分类器
8. 对 40 万数据全部抽 hidden states
9. MLP 输出 high-quality probability
10. 选择 top 5 万或 probability > 0.8 的样本做 SFT

面试官视角评估

基本满意口径：

GPT-5.2 不直接替我筛完整 40 万数据，而是只给 3000 条样本提供高置信度质量标签。我按医学正确性、安全分诊、上下文意识、沟通质量、完整性、指令遵循六个维度打 0--100 分，并加入危险医疗建议、事实错误、低信息模板等封顶规则。之后用 top/bottom 样本训练 hidden-state MLP，让目标模型自己的内部表征成为最终筛选依据。

风险提醒：

  • 不能说 GPT-5.2 分数就是真实医疗质量，只能说是 weak supervision。
  • 最好做人工抽检，尤其是 top 100、bottom 100。
  • 要固定 GPT-5.2 judge prompt、temperature=0、模型版本和打分输出，保证可复现。
  • 你现有 HQ-50K 医疗实验提升幅度较小：HealthBench 105 浅测里 HQ-50K 是 0.2905，huatuo_5w ckpt75 是 0.2889，只是小幅优势，不能夸大成显著胜出。(GitHub)

最后给你的统一面试表述

我的 SFT 数据筛选不是简单用 GPT 直接打满 40 万条，而是用 GPT-5.2 在小样本上构造高/低质量监督信号，再用目标模型 Qwen2.5-7B 对 instruction-response 的 hidden states 训练轻量 MLP 分类器。这样筛选标准更贴近目标模型自身的学习偏好。

我的 DPO v2 也不是改 DPO loss，而是重构偏好数据：用医疗正确性、沟通质量、上下文意识、急诊识别、保守表达五个维度定义 chosen/rejected，然后仍然用标准 DPO loss 训练。

评测上，我用 lm-evaluation-harness 跑标准 benchmark，用 AlpacaEval 和 GPT-4o pairwise 做 instruction-following 评测，用 EvalScope 跑 MATH-500 和 GPQA，并且固定模型版本、chat template、generation config 和 batch size，保证结果可复现。

相关推荐
ErizJ1 小时前
CN｜腾讯面经总结
网络·计算机网络·面试
SiYuanFeng2 小时前
面试大厂leetcode重点题型简洁明快复习（dfs/bfs，动态规划，链表，滑动窗口/双指针，回溯，ACM型输入输出，二分）
leetcode·面试·coding
QD_ANJING2 小时前
普及一下五月AI前端面试需要达到的强度....
前端·javascript·vue.js·人工智能·面试·职场和发展
qq_296553272 小时前
【LeetCode】最大子数组乘积：三种解法从暴力到最优
数据结构·算法·leetcode·职场和发展·动态规划·柔性数组
程序员小白条2 小时前
AI 编程辅助，从入门到真香
java·开发语言·数据库·人工智能·面试·职场和发展
MonkeyKing71552 小时前
iOS 开发 UIView 与 CALayer 关系及渲染流程
ios·面试
MonkeyKing71552 小时前
iOS 开发 事件响应链与手势识别原理
面试·objective-c
MonkeyKing71552 小时前
iOS 开发 内存泄漏常见场景及检测方案
ios·面试
kyriewen11 小时前
你的代码仓库变成“毛线团”了？Monorepo 用 Turborepo 拆成“乐高积木”
前端·javascript·面试
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03零基础教你claude code 接入 deepseek V404要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法05Dirtyfrag漏洞：我花了一下午搞清楚这个Linux内核提权漏洞到底在搞什么06CC-Switch & Claude 基于 Linux 服务器安装使用指南07【AI】2026 年具身智能模型和世界模型总结08Linux 核弹级高危漏洞 CVE-2026-31431 完整修复指南09裂开！ChatGPT 居然开始要手机号验证，附详细解决方法102026 年 AI 辅助编程工具全景对比：Copilot、Cursor、Claude Code 与 Codex 深度解析