dji明天三面保佑祈福

入职手手一周啦，刚入职就领取了好多礼包，有公牛插排，罗技鼠标，各种数据线（目前用不到的一堆乱七八糟的线），笔记本和笔，据实习同事说每个月都可以***取 ，有免费的咖啡可以喝，今天喝的卡布奇诺（上班人的救命稻草），还提供免费的雪糕，部门的mt和ld给准备了好多零食！薪资待遇：看岗位和学历工作时间：看部门，我的部门是10-8，午休2小时，晚饭6-7，上班时间7h～，工作很轻松，不会加班，能学到不少东西餐补：入职当天就给180餐补打到卡里，工区的餐饮都能刷卡，最喜欢的就是逛七鲜便利店（不花钱的感觉尊嘟不太一样～），还有巴黎贝甜（甜品🍮脑袋的福音）和喜茶！每天八点下班打卡30餐补自动到账，感觉卡里有...

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

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...