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...

感觉寄了，代码都让ai写了，现在心里慌慌慌。怕不给面试，也怕给了面试。第一次面试说要出一道算法题脑子一片空白😐。。。

就是觉得好漂亮，可能是配色？

1、薪资上不封顶 / 综合薪资能达到 15k-20k。看着JD（岗位描述）上的高薪疯狂心动？别急，看清楚“综合”两个字。 “底薪只有 5k，剩下的全靠绩效和提成。而那个最高档的绩效，需要你每天不吃不喝干24小时才能达到，目前全公司只有销冠拿到过一次。” 试用期打折，绩效考核极其苛刻。一旦没完成KPI，拿到手的钱连交房租都够呛。直接单刀直入：“请问这 15k 里，无责任底薪是多少？绩效占比是多少？试用期薪资打几折？” 不要不好意思谈钱，正规公司不怕你问底薪。2、我们不提倡加班。听到这句话，你的肝可能要开始隐隐作痛了。HR的潜台词： “我们确实不提倡加班，因为我们要求你‘自愿’加班，而且没有加班费...