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 ...

25届，非科班，混成这样大概是玩脱了吧（

入职巨人快1年了，如果有人问我：“入职后最让你惊喜的是什么？”我的答案不是薪资，不是福利，而是我的导师。事情要从入职第一天说起。那天我怀着忐忑的心情走进工区，还没来得及找到自己的座位，就有人拍了拍我的肩膀。“你就是xxx吧？我是你导师，叫我xxx就行。”说实话，我当时挺懵的。我印象里的“导师”，应该是那种高高在上、偶尔指导两句的角色。但他完全不是这样。他直接把我带到工位上，递给我一张打印好的纸：“这是我给你列的入职首月计划，前两周熟悉框架，第三周开始跟需求。有什么不懂的，随时找我。”那张纸上密密麻麻写满了内容——技术栈清单、核心模块说明、常见问题FAQ，甚至连食堂哪家好吃、工卡怎么补办都写了。...