人保加试

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...

我是学院🐭，没面过大厂，官网投的都是秒挂，这是拿我刷kpi的吗？要尝试一下吗？

双非学校， 八股大概看了一遍，该去投中大厂吗，还是继续沉淀再投。

1、自我介绍2、介绍实习3、围绕实习问 (数据一致性、redis分片、redis集群) 20mins4、redis八股，数据结构、各个数据结构的使用场景、优劣和底层设计、redis集群、redis分布锁，何时用String和哈希，两个对比优缺点。5、手撕：hot100字符串解码