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...

唉没招了，大厂全是这种吗，双飞真没机会呀！！！

年后投到现在至今0约面，是哪里出了问题，是背景问题还是简历问题呢希望大佬指点一下

那是实习第三周，我在例行巡检监控的时候，发现了一条有点奇怪的错误日志。 报错信息很短，没有堆栈，没有上下文。旁边的同学扫了一眼，说："可能是环境抖动，先观察吧。"导师也只是嗯了一声，没有分配任务。 我在工位上坐了一会儿，把那条日志保存到了本地。 第二天，它又出现了。还是同样的位置，同样的时间窗口，还是没有规律地触发着。我开始往前追：日志是从哪个服务来的，那个服务当时在调用什么，调用链的上游是谁……每往前一步，就要在几十个服务的日志里捞数据，再手动拼接时序。 第三天，我把整理出来的链路图打印出来贴在工位旁边。同事经过，看了一眼，说："你还在看这个？" 我说...