AI应用研发工程师

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...

   😅? 

这个简历能去找实习了吗

一面自我介绍挖项目、问得很细，说做了什么，遇到什么难题，怎么解决、为什么这么做，具体细节等等。中断执行流程如何配置 GPIO 口输出高电平IO 口推挽输出的内部结构IIC（I²C）通信协议I²C、SPI 协议相位如何设置RS232 和 RS485 的区别未接收到串口数据，如何查错CAN 总线仲裁机制ADC 原理，转换有哪几个步骤堆区和栈区的区别栈的作用全局变量、静态变量存储位置data 段与 bss 段的区别static 全局变量和局部变量分别存在哪里编译后数据有哪些存储位置C 语言编译的完整过程大端与小端的区别strcpy 和 memcpy 的区别sizeof 和 strlen 的区别字节对...