1. 自我介绍2. 项目拷打3. Reward Model 在对齐训练里扮演什么角色Reward Model 本质上是在学一个“人类更偏好什么”的可微近似函数。SFT 学的是“像人那样答”，RM 学的是“人更喜欢哪种答法”。它并不直接生成答案，而是给候选答案打分，把人类偏好从离散排序信号压进一个标量目标里，后续无论是 PPO 还是其他策略优化方法，核心都要依赖这个分数去推动模型往偏好更强的方向移动。RM 最大的价值不是替代人工，而是把人工偏好从逐条监督扩展成可批量泛化的训练信号。真正难的地方在于它很容易学到表面模式，比如更长、更像模板、更会说套话的答案可能被错判成更优，所以 RM 训练的上限很...

我朋友接了美团，后面又拿了字节，跑去字节提前实习，天天抑郁症，天天内耗，哎，字节毁了一个年轻人，哎，还不如去美团蹲着

📍地点：北京🏢部门：产品部📅发布日期：2026-03-31💼岗位职责：✅ 跟进用户反馈，挖掘用户需求✅ 协助需求分析、文档输出✅ 提出产品改进方案并落地🎯任职要求：🔹本科及以上，实习至少3个月，每周5天🔹主动性&沟通能力强，有责任心和团队意识🔹熟练使用Axure等产品工具🔹会SQL加分！有交易/用户体验经验优先～💡适合人群：想进入互联网产品领域的小伙伴！能接触核心业务，快速成长～数据分析能力得到锻炼！