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 ...

绷不住了

想找日常实习 打算5月份开投  各位佬有什么意见吗 简历打算命名为杭电-姓名- Java后端开发- XXXXX 不强调年级会有事吗 p2是自我介绍 p3是boss打招呼

上来就是算法环节，不过都比较简单，还只要求说只写实现的思路一共要写7道，半小时时间前5道写出来4道...其他的没来得及看题目1. 二维矩阵逆时针旋转 90 度题目：给定一个 n × n 的二维矩阵 matrix，表示一张图像。请你将图像逆时针旋转 90 度。要求原地旋转，不得使用额外矩阵。2. 全家福排列题目：给定一个整数数组，我们需要将其重新排列成最和谐的顺序：相邻数字差距尽可能大，排列方式为：最小、最大、次小、次大、第三小、第三大……排列完成后，遍历数组，如果出现连续三个数字严格递增，则认为不和谐，返回 false；否则返回 true。3. 好声音歌手题目：有 n 位歌手，每位歌手有天赋值...