bg：双非本（不带油不带电）投递岗位：后端开发结果：35W ~ 50W秋招投递：169+面试：60排序挂：字节豆包、快手电商、去哪儿旅行offer:5（汉得+恒生电子+...n小厂 拒)+(万兴+知乎）+快手（实习offer）春招投递：80+面试：17+offer:3（转转 小黑盒 拒)+（滴滴sp）颠沛流离2025.03找暑期实习，实习到9月底通知转正失败，回家秋招2025.12收到快手实习Offer，在杭州实习，2026.03组内架构调整，ld更换，降本增效，hc变成3个外包hc，回家春招（西湖和灵隐寺 外地人必去景点hh）心态从网上学习做项目，到写简历，投递，笔试，面试，泡池子。。。我觉...

想问一下这个岗位进去主要是干啥，Java能干吗

能的兄弟，能的，一天200k我肯定干

1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...