周大福-管理培训生-二面（群面）

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...

是简历有问题吗

27届大三，想找个日常实习，中小厂的。简历有什么问题嘛，boss投了400好多消息都没读😭求友友们给点建议

🕐面试时间：60min❓面试问题：最汗流浃背的一集，面试官让屏幕共享现场展示vibe coding拷打实习，具体用higress实现了什么功能，为什么要把ingress替换成他，为什么用它，有没有用过其他什么插件为什么做权限要用到rbac，有没有其他的考量吗，比如abac什么的（其他的技术选型我都有做攻略，可没想到这个也有技术选型，唉，又不会）harness engineering听说过吗现在有个问题 ，一个agent有很多mcp工具可以选择，但是需求过来了以后，并没有匹配到我想要的那个mcp，怎么解决（我说让用户自己选择可能要调用的工具....）skills听说过吗mcp有哪些开发模式（s...