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...

目前项目俩玩具项目，无比赛经历，只打过没有含金量的蓝桥杯，boos沟通100多，至今无面。现在每天边投，边背面经，边用ai进行简历拷打没有正反馈，真的感觉很无力。不知道下一步该怎么办，考研考公也没有想法。请各位佬们痛击➕指点，谢谢了

投了200份简历，经过7次面试后，还是被cetv捞了，虽然之前就听说c厂是天坑，但想了想第一份实习就算了，干1-2月跑路算鸟，再好好准备暑假去实习

- 没有自我介绍-上来手撕一个dfs很简单，数字的排列- 一个默认 goroutine 消耗的资源是多少​-系统资源充足时，goroutine 可以无限开启吗？有没有限制​-JDK 现在最新发布到哪个版本了​-JWT 由哪些部分组成-接下来离谱的来了-问我gpt的知识库截止到什么时间-问我claude的知识库截止到什么时间，最新版本是什么-然后说问你个问题说到一半他又说算了我觉得你也不知道，不问你了？？？