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...

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

📍面试公司：百度PSIG🕐面试时间：2026.3.30💻面试岗位：测试开发实习❓面试问题：1、自我介绍2、聊聊你项目中的亮点？3、你在项目中的职责是什么？4、开发过程中有没有遇到什么问题？如何解决的？5、你从这个项目中收获了什么？6、针对你提到的文件上传说说测试用例如何设计？7、你最近一段测试实习主要做了什么？涉及哪些端？8、测试覆盖率如何计算的？9、设计自动化测试脚本过程中的难点是什么？10、自动化测试的case是否需要人为确认其效果？如何验证脚本可行性？11、算法题给定一个caseList（用例列表）和一个deviceList（设备列表），请实现一个算法，将所有用例均匀分配到各个设备...