南京新城科技园实习，求饭友

🎤话筒交给招聘君！今天要安利的团队是 👉 中国交易与广告🌱 关于我们产品研发和工程架构-中国交易与广告团队，负责抖音电商、生活服务、广告营销等营收业务的研发。用技术带来美好生活，让用户发现更多优价好物，为用户提供更丰富独特的生活体验;连接海量用户与商家，促进交易达成，让生态里全流程体验更流畅，助力营收业务长效增长。加入团队，你将投身流量与增长主战场，挑战复杂业务场景技术难题;直面真实商家和用户，用技术解决看得见的问题，在实战中快速成长，书写属于你的价值故事!🔥 热招岗位前端、后端、客户端、算法、 安全、测试开发、产品、运营📍 工作地点北京、上海、杭州、成都、深圳📮 投递方式1️⃣ ...

刚加上这个hr，结果是个广子，发完第一句话就被封号了微信

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...