思格新能源26届

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...

rt 不知道是真的假的丁老板 太难绷了

主播27号面完，到现在还显示这个是不是要挂了啊

如果你最近关注AI Agent，会发现大家好像都在做Agent了，而且功能越来越多，场景越来越复杂。但一个很现实的问题也开始出现——这些Agent到底做得好不好？差在哪？还能怎么优化？很多时候，这件事不能仅仅肉眼看出来的。今天这个AI Agent评测工程师就在解决这个问题。相比“做Agent”，它更关注的是另一件事：如何系统性地评估一个Agent的能力，并用结果反过来驱动产品迭代。一天一个AI岗位介绍，今天我们来看看AI Agent测评工程师。🧩 主要工作内容：给Agent建立一套“可量化的评价体系”从JD来看，这个岗位的核心并不是开发功能，而是围绕“评测”做一整套体系建设。但这里的“评测”...