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...

幸亏看到这个帖子

一、“烂”工作，不只是钱少事多很多人以为“烂”工作就是工资低、加班多、老板凶。但真正的“烂”，往往藏在看不见的地方。比如：长期情绪耗竭：你每天走进办公室就心慌，下班后只想瘫倒，连周末都充满焦虑；价值感归零：你做的事毫无意义，既不能帮到别人，也无法提升自己；关系有毒：同事互相甩锅，领导PUA成瘾，团队氛围如沼泽，越陷越深；未来无望：三年过去，技能没长进，履历没亮点，跳槽时连简历都写不出新内容。这种工作，不是“暂时忍一忍就能熬过去”的苦差，而是一种慢性精神中毒。它不流血，却在悄悄杀死一个人对生活的信念。心理学有个概念叫“习得性无助”——当一个人长期处于无法掌控的负面环境中，会逐渐放弃挣扎，认为“无...