1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

   😅? 

不过大厂的面试确实比小厂能学到更多

二面强度非常大，面试官很nice，但问题一个比一个狠。项目聊了将近20分钟，然后直接进入硬核八股，最后手撕。整体节奏很快，八股没答好直接挂，手撕写出来了但没解释清楚，属于死在细节上。题目如下，附个人分析，希望对备战字节的同学有帮助。题目列表自我介绍项目深挖20分钟（重点问了架构设计和技术决策）FreeRTOS调度器的实现原理，抢占和时间片轮转的本质区别FreeRTOS有哪些同步原语，互斥量和二值信号量的区别同优先级任务是怎么调度的优先级反转的完整场景，FreeRTOS怎么解决，能完全解决吗死锁的四个必要条件，嵌入式系统里怎么预防ARM Cortex-M中断处理，硬件自动压栈了哪些寄存器原子操作...