导师说在研一二的时候完成毕业要求，研三各忙自己的事，可以实习。我看大部分都是研二实习的…

1. GRPO 算是 on-policy 还是 off-policy？为啥？2. GRPO 用的数据不是最新的，为什么还算 on-policy？它的 buffer 是怎么回事？3. 重要性采样是干嘛的？公式长啥样？能解释一下吗？4. GSPO 和 DAPO 各自解决了什么问题？用了什么方法？5. 强化学习里的熵崩溃是啥意思？怎么解决？有必要解决吗？6. 熵崩溃是咋引起的？7. 熵崩溃和 reward hacking 有关系吗？8. 看过 DeepSeek 的技术报告吗？它在推理速度上做了哪些优化？或者说，模型层面有哪些加速推理的技巧？9. MLA 是怎么回事？能加速推理吗？10. Qwen3 ...

求佬们给给建议po主目前刚研二，研一没怎么做大模型，这两个月才转过来偏向于做sft/rft，头部大厂还没投过（感觉经历不够)目前手头三个offer🦘厂，偏搜推，方向不合适（已拒）智谱，大模型业务组，垂域sft，还有些其他的杂活贝壳，大模型业务组，sft/rft一边找实习一边学东西太累了，在想是先去实习还是再搓个rl项目继续投找大厂😞求问各位佬有什么建议

两三句介绍下agent以及当前的挑战transformer架构 有哪些机制解释下交叉注意力机制介绍下ppo dpo grpo算法grpo的loss怎么计算的 数据用的什么deepresearch和强化学习怎么结合应用解释下topk topp的实现原理手撕：非hot100投递的时候一定要看岗位偏应用落地还是偏算法。楼主算法功底比较薄弱，没有真实业务场景下的模型训练微调经验，在面试偏算法岗的时候，算法原理和训练过程被追着问