论文题目：DeepCritic: Deliberate Critique with Large Language Models论文地址：https://arxiv.org/pdf/2505.00662论文详解：https://mp.weixin.qq.com/s/6eridKO3iB1jO_W8Vwb7cg文章的核心贡献是提出了一个名为 DeepCritic 的新型两阶段框架，用于开发能够对数学解题过程的每个推理步骤进行深入批判的 LLM critics。实验结果表明基于 Qwen2.5-7B-Instruct 开发的 DeepCritic 模型在多个错误识别基准测试中显著优于现有的 LLM critics（包括同尺寸的 DeepSeek-R1-distill 模型和 GPT-4o），并且能够通过更详细的反馈更有效地帮助 LLM 生成器修正错误步骤。两阶段训练方式第一阶段：监督式微调（SFT）：通过利用 Qwen2.5-72B-Instruct 生成 4.5K 长篇批判作为种子数据进行监督式微调，使模型能够生成包含多视角验证和深入批判的批判内容。第二阶段：强化学习（RL）：在监督式微调的基础上，进一步通过强化学习优化模型的批判能力。强化学习的数据来源可以是现有的人标注数据（如 PRM800K），也可以是通过蒙特卡洛采样估计正确性自动标注的数据。

一、什么是元组解包？Python 的元组解包（Tuple Unpacking）是一种 "开箱即用" 的语法糖，让你可以轻松地从容器中提取数据。用 "拆快递" 的例子解释就是：你网购了一箱奶茶（没错，打工人的快乐就是这么简单），快递盒上写着“内含：奶茶×1 + 订单号×1”。当你拆开盒子，会​​顺手把奶茶和订单号一起掏出来​​——左手拿奶茶（想喝），右手捏订单号（怕丢）。Python里的​​元组解包​​，就像你拆快递时的“顺手操作”：如果一个东西是“打包好的组合”（比如元组），你可以直接把它拆成几个变量，让代码更简洁！下面用一丢丢代码对元组解包的具体含义进...

借着Keep的实习校招还在启动中，作为Keep的一员，我从我经历的给大家分享我眼中的Keep。关于技术积累能力：Keep在AI技术上的投入和积累令人瞩目，核心技术优势体现在垂直领域的算法突破和数据驱动的产品闭环。例如，自研的运动健康垂类大模型Kinetic.ai融合了近十年10亿条运动数据与专业教练知识图谱，在动作纠正、负荷评估等场景实现98.7%的识别准确率，较通用模型性能提升3倍以上，相关技术已申请14项专利。这些技术突破背后，我觉得是公司对产学研结合的重视，所以技术人在选择公司的时候，对于产学研比较重视的企业真心建议冲。新人成长方面：新人入职即参与技术学院培训，内容涵盖深度学习框架优化、大模型领域前沿分享，以及健身商业化场景的算法应用，公司提供与正式员工同等的算力资源和数据权限，实习生也能参与核心项目，对于新人来说，Keep的landing模式非常友好。团队氛围方面：因为我是技术岗位，偶尔也会有公司组织的用户沟通会，另外我觉得Keep的写作氛围非常友好，经常跟产品同学对接，一方面是产品同事职业素养比较高，交流比较舒服，另一方面是需求也很清晰，所以落地上不会反复调整。这次的实习确实让我觉得一家公司的协作氛围好会直接影响到工作产出和成果。关于健身房，网上大家都说在Keep工作会瘦，这个我可以证明，毕竟我也是Keep健身房的获益者之一。作为运动行业，确实公司整体的氛围都是非常有活力的，也是那种很有生命力的感觉。公司的环境来说，在望京南的Keep总部一看玻璃窗就很高大很气派啦，公司内部也很新。最后，我觉得Keep的员工关怀是真的很到位，记得有一次下大雨，公司就安排了在地铁口给同事派发雨伞，真的当时有被感动到，我觉得细节可以看出公司的温情一面。

叠纸游戏测试一面#叠纸游戏校招# 之前找面经很少，我来贡献一份（不过感觉参考价值也不大）总体感觉：我这次遇到的叠纸面试官是一位男士，给人感觉非常和善，答得稀烂也没有一点不耐烦和轻视，最后甚至开始给我讲题感觉很好，春招还来自我介绍最近一份实习经历有测开，问了关于实习的内容1. 如何优化测试样例2.如何设计测试样例（我答了等价类划分，边界值，追问：这是输入方面的，其他方面有没有思路）3.介绍常用数据结构（有点忘了，最后我答的队列和栈）4.堆和栈区别5.双链表去重（我答的用哈希表，问有无其他方法，最后提示双指针，双重循环）6.简历项目（由于我裸面，一整个支支吾吾，面试官好心地没有问太多太深）7.一道...