许愿小米

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...

一股神秘的力量，我是不是被资本做局了

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司

笔试（2026-3-27）算是真正意义上的第一次笔试，没想到点链接直接跳到牛客网来了。感觉代码练习不太够，以现在这个状态，感觉之后都不用笔试了，笔个锤子笔。第三题没动，一和二过60%样例，甚至都不知道为啥还能过第二题能过60%样例。这周Boss上投了不少，回应的只要寥寥，看来自己还是乐观了，不投大厂恐怕面试都机会了，只能寄希望于大厂的无限复活了。下午还有智源的面试，先面了再说吧，别的连面试机会都没。有点不知道下周的大厂还该不该投，我giao giao giao!