烽火通信秋招内推

1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

继一面几乎秒过之后，二面来了。听说字节暑期实习一般两轮技术面就结束了，所以我一开始其实挺有信心的，甚至觉得只要正常发挥，大概率就能过。结果一开面，我就感觉事情不对了。黑马点评项目才刚讲完，面试官基本没什么兴趣，直接抓着我自我介绍里一个小瑕疵开始往下问八股。最难受的是，他并非简单问完就过，几乎每一道题都要追到他满意为止，你只要没答到那个点上，他就会一直追、一直压。整场面试节奏特别紧，几乎不给喘息空间，确实很锻炼人，但面完也是真的身心俱疲。（附面经）---------------------------------------------------------------------------...