1. 自我介绍2. PPO、TRPO、DPO 分别是什么，它们的核心差异在哪TRPO 的出发点是让策略更新别跨太大步，它通过约束新旧策略的 KL 距离，把优化问题写成一个带信赖域的约束优化，所以理论上比较稳，但实现复杂、计算成本也高。PPO 可以看成是 TRPO 的工程化近似，它不直接解复杂约束问题，而是通过 clip 或 penalty 的方式，限制策略更新过猛，因此在实践里更常用。DPO 和前两者不太一样，它不是传统在线 RL，而是直接从偏好对里学习一个“更偏向 chosen、压低 rejected”的目标，相当于把 reward optimization 吸收到一个更简单的监督目标中。P...

找到工作了，涨幅20％。但是从国企跳去了私企，还是有点痛苦

做技术面试官这些年，筛选简历时见过太多光鲜亮丽的背景，却也常常被一些“不起眼”的细节打动。今天想分享的这个面试案例，核心很简单：一位候选人，算法题发挥失误没写对，但我从一开始就因为他的开源项目决定面试他，最终也因为这个项目，给他高分通过，也想借这个案例，跟正在求职的应届生聊聊，什么才是面试中真正的加分项。每天筛选几十份简历，大多是名校背景、大厂实习加持的应届生，难免会审美疲劳。直到看到这位硕士候选人的简历，没有亮眼的第一学历，也没有大厂实习经历，项目经历也只有一个Linux相关的开源项目，但就是这个项目，让我瞬间停下了滑动鼠标的手——这个开源项目，其实并不是什么高大上的生产力工具，只是个安卓手...

27届计科 当时在字节搜广推、量化和MINIMAX推理中选了MINIMAX。实习这几个月学到了很多东西，经历了公司的上市，认识了许多的竞赛界有名的前辈，受益匪浅。现在因为学校不可抗力需要结束实习了，期待以后再见！！