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...

3月27号进行的HR面，然后48h后链接消失了。已加HR微信和上传云证。HR跟我说 要与业务侧进行一个合议。

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司

现在找工作卷成这样，很多人简历上的实习经历看着特别厉害，又是独立负责项目，又是数据显著提升，又是产出重要成果。可真要细问几句，流程说不清楚，细节对不上号，逻辑也稀碎。 其实包装一点可以理解，但别把自己都骗了。真正有用的实习，是你真的参与、真的思考、真的解决过问题。全靠编出来的漂亮产出，面试一戳就破，入职之后也扛不住活。与其花心思美化简历，不如踏踏实实做点能拿得出手的东西，心里有底，说话才硬气。#你的实习产出是真实的还是包装的？#