1. 说一下 SFT、RLHF、DPO 的区别，线上项目里你会怎么选？答：SFT 是监督微调，核心是让模型学会“像人一样回答”，训练数据一般是 prompt-response 对，优点是简单直接、稳定、成本低，适合把基座模型先拉到业务可用水平。RLHF 是先做 SFT，再训练奖励模型，然后通过 PPO 之类的方法让模型朝着“人类更偏好”的方向优化。优点是能更细致地对齐人类偏好，缺点是链路长、训练复杂、容易不稳定。DPO 可以理解成不显式训练奖励模型、也不走复杂强化学习，而是直接利用偏好对做优化，训练上比 RLHF 更简单，效果在很多场景下也不错。如果是企业大模型应用，通常优先级往往是 SFT ...

0实习，什么都没有，一问三不知简历如下求建议，算法什么的也不懂

目标后端

【校招日程】专栏汇集全网最新招聘信息，面向25、26届、27届，互联网、硬件、机械、产运 等各类最新秋招/寒假实习 招聘信息和内推码每个工作日持续更新，所有牛友均可免费订阅！招聘详情请查看：https://www.nowcoder.com/jobs/school/schedule3月23日公司名称招聘批次网申时间招聘岗位工作地点投递地址内推地址上美26春招3.19-5.15运营推广、内容运营、产品开发、人力资源等上海点击查看暂无合富辉煌人才专项3.19-4.19营销策划管培生、销售精英管培生、新媒体营销管培生等广州点击查看暂无金山办公26春招3.19-5.19产品方向、运营方向、政企营销方向等...