1. 说一下 SFT、RLHF、DPO 的区别，线上项目里你会怎么选？答：SFT 是监督微调，核心是让模型学会“像人一样回答”，训练数据一般是 prompt-response 对，优点是简单直接、稳定、成本低，适合把基座模型先拉到业务可用水平。RLHF 是先做 SFT，再训练奖励模型，然后通过 PPO 之类的方法让模型朝着“人类更偏好”的方向优化。优点是能更细致地对齐人类偏好，缺点是链路长、训练复杂、容易不稳定。DPO 可以理解成不显式训练奖励模型、也不走复杂强化学习，而是直接利用偏好对做优化，训练上比 RLHF 更简单，效果在很多场景下也不错。如果是企业大模型应用，通常优先级往往是 SFT ...

rt 不知道是真的假的丁老板 太难绷了

1. 永远没有结论的讨论会"我们来讨论下这个功能怎么做。"两小时后..."今天就先这样，下次再聊。" 所以开了两小时会，结论是下次再开会？？最可怕的是，这种会一周三次，每次讨论的问题都差不多，但永远没人拍板。我就像个NPC，被反复触发同一段对话。每次会议消耗token：600（2小时注意力+会后整理思路+怀疑人生）一周1800 token蒸发。2. 形式主义的周报日报每天下班前要写日报，每周五要写周报，每月底要写月报。内容呢？90%都是从钉钉消息、项目文档里复制粘贴，然后改几个字，润色一下，看起来"饱满"一点。关键是写完了根本没人看！...