大部分非技术问题

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...

一、进程调度算法 先来先服务——短作业优先——最短剩余时间优先——优先级调度——时间片轮转——多级反馈队列调度（每个队列的时间片长度不一样）二、进程调度器 确保CPU时间片能在各个进程间合理分配，最大化系统资源利用率，同时考虑进程的响应时间。一个进程只属于一个调度器。  调度器是 CPU 中央处理器的管理员，主要负责做两件事情： 一、选择某些就绪进程执行。 二、是打断某些执行的进程让它们变为就绪状态。 调度器分配CPU时间的基本依据：进程的优先级。 上下文切换（context switch ）：负责存储和切换被切换掉之前的CPU 状态。三、调度策略 #define SCHED_NORMAL 0...

我二面面完已经2天了，但是复试的链接还是没有消失，打电话问hr说面试官没有提交面评，有大佬知道是为什么吗引流：腾讯 字节 阿里