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...

给时间时间 终会梦想成真的🥺那就努力努力再努力🤲

经常有面试 20分钟 秒挂？ 能力问题还是KPI？线上沟通啥也不问，直接让面试有些HR线上跟求职者沟通，联系上以后不问教育背景、工作经验、求职意向直接发一个岗位介绍让你去面试。这种铁KPI.毕竟正常公司招人都不会这么草率。一、首先先说几个明显是HR刷KPI的行为1、 你上一秒刚发完简历， 下一秒HR就邀请你去面试的正常的面试邀约步骤如下：HR先仔细阅读下你的简历，觉得有意向然后给业务方。业务方觉得简历也ok,然后反馈给HR内部双方对齐后，才会电话询问你的意向最后才发出正式的邀约邮件，邀请你面试。所以你的简历发给HR，到HR正式向你发出面试邀约。中间肯定需要时间来走内部流程的。这个流程短则1-2...