1. 自我介绍2. 为什么要用 DPO，你的 DPO 数据从哪里来DPO 主要用来做偏好对齐，让模型在两个候选答案中更倾向于选择符合业务偏好的回答，而不是只学会复现标准答案。SFT 解决的是“会不会做”，DPO 更偏向解决“更喜欢哪种做法”。数据一般不是直接从线上拿一问一答就能用，而是先用上一版 checkpoint 对同一批 prompt 做多候选采样，再经过规则、模型评审和人工复核构造 chosen/rejected。这里不用商业 API 蒸馏正反样本，是因为不同模型的输出分布和本地模型不一致，直接蒸馏会让偏好边界偏到外部模型的风格上，最后 DPO 学到的是别人的分布，不一定能提升当前模型...

分享一个蚂蚁timeline3.25 一面3.30 二面4.2 HR面4.10 意向书

以前觉得风评不好只是个别现象，没想到真是这样，两轮面试，还有线下面试，大老远跑去，后来说面试过了，谈好薪资，定好入职日期，结果前一天，告诉我，领导最后审核offer没通过，真的是醉了。太坑人了，之前有个offer给拒了，现在告诉我这个也凉了，真是无敌了，这家公司。