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...

timeline1.13打电话约面1.20 一面 第二天约二面1.23 二面 过了一个周末约三面1.28 三面2.2 通知三面过 offer审批2.5 oc

大二小登简历求拷打

WXG wx输入法 base北京字节 线索广告 base杭州两个转正几率都可以忽略，字节还是算的日常实习。（听说输入法要高一点？）纠结的点在于wx输入法的业务可能比较边缘，base地压力比较大；字节的业务比较核心，但是工作强度肯定不低，base地我也中意。其实就是想确定以下哪个对秋招帮助大一点或者对个人成长的帮助大一点？求建议！