1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

想找个暑期实习，求大佬们拷打简历

发现几个在GitHub 上跟 Vibe Coding 强相关的开源项目，跟大家分享一下第一个：aicodeguidehttps://github.com/automata/aicodeguide如果是零基础，或者一直觉得“自己不懂编程，玩不转AI编程”，这个项目会适合你。它本质上是一份AI时代的编程路线图，不纠结于枯燥的语法教学，核心是教你怎么用Cursor、Bolt、Claude这些工具，通过合适的Prompt指令，把想做的事情落地完成。我一直把它当作Vibe Coding的“新手村”，零基础入门首选。第二个：vibe-coding-prompt-templatehttps://github...