怎么判断是不是KPI面啊

有uu知道字节笔试多久后会通知，我上周四晚上的笔试，到现在官网流程还显示笔试中

985，大三，机器学习方向，整理一下投实习的时间线，供参考。2月第1周：完成简历，主要项目为两段科研经历+一个kaggle竞赛，GPA 3.82月第2周：开始投递，优先字节、阿里、腾讯算法岗2月第3-4周：笔试密集期，字节、百度、美团、华为笔试均已完成3月第1周：面试开始，字节算法一面通过，阿里一面通过，其余等待3月第2周（现在）：准备二面，同时继续投递中小厂兜底一个效率点：算法岗网申普遍表单较长（含论文/竞赛/项目填写），早期投递花了大量时间在重复填写上。后改用牛客网申助手，标准字段自动填入，节省了不少时间，可以将精力集中在差异化内容的撰写上。建议同方向同学尽早开始，算法岗对项目质量要求高，...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.介绍下self-attention，计算其时间复杂度。2.为什么要用multi-head attention？3.PPO的clip机制？在线强化学习和离线强化学习有什么区别？RLHF是哪一种？4.为什么要用reference model? 为了解决什么问题？5.如何让多个agent协同工作的？举个具体的协同机制例子。6.如果一个agent误判导致策略冲突，如何处理？7.有没有用到类似AutoGen或LangChain的框架？为什么选这个框架？8.你是怎么设计agent的记忆系统？9.长期记忆如何存储？如果历史记录量非常大，怎么优化查询效率？10.你怎么处理响应速度与推理精度之间的tradeoff？是先召回再精排，还是单次生成？

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...