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...

腾讯面试这个状态是啥意思

emmm没想到以这种方式被挂了

1、无自我介绍，手撕 删除链表倒数第N个节点，考虑边界情况2、redis的zset、查询score 10-k的数据的时间复杂度、查询score等于10的时间复杂度3、mysql的索引、联合索引、最左匹配原则4、介绍实习5、反问