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...

这俩就是包装的外卖和点评，我boss投了十多天了一个面都没有，哎人都要焦虑死了，感觉暑假实习都拿不到，只能去学校实训了，到时候秋招能不能找到好工作都感觉有点难，有没有大佬指点一下，拜托了🙏🏻

不是我应聘个it技术支持岗位4-6k 还学历歧视上了😭

分享下作为一个双非本的春秋招求职总结，我发发牢骚可能文笔不好本人三段实习，两大一外企，通过春秋招给面情况，总结一下中大厂对双非友好度友好：字节（夯爆了）、滴滴、腾讯、好未来、小米、脉脉、快手、360、安可创新、腾讯云智、小鹏汽车不友好：pdd、网易、京东、xhs、得物、米哈游、华为、阿里系、虾皮（这些是我投了什么反应都没有的）秋招下来总共2个Java的offer，深圳北京的小厂，秋招还收到了小米武汉云原生的谈薪电话（后面被鸽了，HR还说什么给我看机会，现在基本没回复了）春招3月份已经过去了，好未来挂，腾讯地图挂（遇到这部门谁倒霉），滴滴外卖挂我想讲一些心里话：传统后端是真不想干了我记得小米给我...