1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

简历完全过不了啊😢是院校的问题吗

三个动作，每天循环十几遍。1.打开牛客，刷两下，关掉。2.打开QQ邮箱，下拉刷新，没有新邮件。3.打开公司官网，登录，状态没变。整个过程十分钟。做完心慌，不做更慌。手机放下的那一刻最清醒——“我TM在干啥？有这时间焦虑，不如休息一会 或者看会八股”但是我每两个小时 基本都得做一轮这三个操作我感觉这样子 不仅无益于进步 反而还会损害心理健康； 算算时间，一天搭进去快半小时，有时候奔着一小时去。一小时看起来不多，烧的不是时间，是心力。焦虑一上来，学习效率直接腰斩，自信心也跟着往下掉。下面一个月 放平心态 有面试就面 没有就学习；暑期实习能找到就去 找不到就战日常实习； 我绝对不会再去反复刷公司官网...