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...

没有实习没有项目经历，还有弥补的方法了吗

目前只能约到小公司，求大神指导

offer A：药明生物，可base老家，某苏南城市，年包32w（这薪资在我来家很可以了），工作时间早9晚5点30，中午休息一小时，每天餐补25元，面试时告知是项目制，也不是很懂怎么算项目制offer B：Bybit，全球前三的交易所，base吉隆坡 必须出海，年包100w，了解到的工作时间大约早10晚8点30（除非自己要卷），中午休息两小时，晚上约一小时，每天餐补40马币，给每个程序员都配了claude code尽管用bg：211本硕，三年+国内互联网大厂经验我自己思考了下，可以说药明生物除了在老家，没有任何优势，但是就这一点就足够牵绊住我了，所以我现在就很纠结，一边是出海的高薪工作，一边是...