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...

腾讯 京东oppovivo快手美团百度字节蚂蚁上面的厂都投了，有的直接简历挂了（快手  阿里挂的最严重），测评做了，有的给了笔试，但为啥大多都一直卡流程？卡在“简历筛选/评估中”，这是怎么回事？项目不行？还能找到实习吗？

柠檬微趣笔试的题目搞得也太烂了吧，感觉题目做的一点也不好，十分随便。我写的第一道是字符串对应转换的，输入是"effe"，对应输出"good bad bad good"，很简单，结果最后只过了百分之七十多的样例。我看半天没看明白题目中说的相互对应是什么意思，意思是e也有可能对应其他的字符串？例如"effe"，对应"not bad bad not "也算对？但是我按严格对应的过了73%，想了半天浪费了好多时间最后也没写出来。第二道是个递归，第三道是双指针，都过了。但是第三题数据1e6，我用了个sort也没超时，感觉数据...