清明节前boss有个淘天的给我发内推，投递之后加了微信，直接拉进一个两百多人的群聊（群里大半类似于加州大学，武大，浙大的佬），双非鼠鼠进群瑟瑟发抖之后也是顺利做了ai研发向的笔试顺利进面，一面当天4月7日秒挂。8号早上一看，嘿被捞了，这时还在窃喜阿里居然爱我一次了，没想到晚上一看又挂了，过了一晚9号再看又被捞了（而且被捞的时间是前一天也就是8号，但是晚上十点半我明明看着挂了没捞的）。没想到就这么被捞被挂了好几轮今早上来看又被捞了是何意味啊，以下附上面经，但是也是感谢给了双非鼠鼠一次阿里淘天的面试机会，学到不少东西

感觉自己还是挺狗运的，比不上牛客这些双非大佬随便秒终于戴上红围脖了，xdm 加油

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 ...