贝壳 开奖

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...

1h左右，面试官人很好，我答不出来的时候会引导我。组里是做OLTP相关的。项目介绍对称协程是什么协程A调用了协程B，B完成后，怎么知道要返回A除了协程还有什么实现异步的方法有哪些零拷贝相关的系统调用mmap映射的内存属于内核态还是用户态进程除了通过fork创建，还可以如何创建？进程创建的流程。snapshot是什么隔离级别？各个隔离级别怎么实现的？什么是脏写？可能会产生什么问题？LRU-K算法题：爬楼梯。