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...

就是觉得好漂亮，可能是配色？

这些题刷完能不能拿五千一个月

一面约在下午三点，面试官上来自我介绍了一下，说是做底层驱动和系统方向的，然后直接开始问。整体节奏很快，基本上每个问题答完他都会继续追问，没有给你喘息的机会。八股问得不算多，但每道都往深里挖，答浅了他会直接说"你再想想"或者"还有呢"。项目聊了大概十五分钟，他对细节很感兴趣，问了不少实现层面的东西。最后手撕一道算法，难度中等，给了二十分钟。面完整个人是麻的。题目中断处理函数里能不能用 printf，为什么？如果一定要在中断里输出调试信息怎么办？volatile 和 const volatile 分别在什么场景下使用？volatile 能保证线程安全吗？讲一...