八股java反射的原理哪些框架用到了反射java中除了synchronized还了解哪些锁线程池的参数，实际使用的时候参数怎么设置的concurrenthashmap原理什么是覆盖索引mysql慢查询排查及原因实习拷打（巴拉巴拉）另一个面试官：最近遇到的最大困难实习期间的收获设计一个查找方圆3公里的骑手并通知接单抢单

四段实习经历，三段大厂。。春招至今0面试。。。受到好大的打击啊

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...