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 ...

研二在读想找AI agent方面暑期实习，想看下简历是否还能有优化的

今天阿里产品二面，一个小时，记录一下。 面试官上来直接问：你平时用什么工具做需求分析？ （这个问题让我愣了一下，准备了一堆业务框架，没想到先从工具切入。我说了Axure、飞书，顺手提了最近在用的网申助手——求职阶段管理投递记录和填表用的，面试官笑了说"挺实用的，效率意识不错"。） 之后进入正式题。 【题目1：设计一个功能，帮助用户在淘宝找到"值得买"的商品】 思路：先澄清"值得买"的场景——目的性购物、对比比价、随意浏览，三条路需求不同。重点放在比价场景：用价格历史曲线+差评关键词聚类，做成置信度评分，直观告诉用户当前价格在历史区间的...