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 ...

想先找个小厂

你对公司有什么了解你说一下你自己对于其他面试者的优势如果学校和公司冲突了你会怎么做(学校不回去就开除)必须得选一个。StringBuilder和StringBuffer的区别？voltail关键字类加载器垃圾回收器rabbitmq不丢失等等相关问题kafka和其他中间件技术选型mysql假设A有个字段被B引用了怎么从int改为charhashmap和hashtable的区别什么是死信队列给MySQL字段加索引的代码