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...

求大家看看这份简历有啥缺点。boss好多已读不回的我已经麻木了，大家嘴毒一点指出来没关系的

上周三约了字节的这周一晚上的面试，对应的hr加我微信了当时，第二天我就考虑了准备再做新项目转agent开发所以给这个hr说取消了，结果今天字节打电话问我为什么没有面试，这怎么办是不是面评完蛋了

大家好，我是@程序员花海，上周我出过2篇完整从后端转Agent开发的学习路线，也收到了广大牛友的好评，感谢支持！其中一篇关于Agent的面试题更是登上了牛客榜第一，感谢各位的支持！往期文章：1.都在找Agent开发，我整理了80道相关的Agent开发面试题。：https://www.nowcoder.com/discuss/867373725035872256?2.26年全网最全Agent学习路线，拿走不谢！：https://www.nowcoder.com/discuss/864821937527128064?sourceSSR=users3.关于后端和Agent开发，聊聊我的看法：http...