面试过程中来了另一家的电话，寻思不能接，面试结束打过去是总机

有360golang泡池子的吗，泡了4天了

暑期后端，面了1h10min，无八股，没提过点评。好歹是最想去的厂，看了网上的面经直接吓哭了，准备了半天计网机遇。本来以为项目很对口部门，想着被好好拷打一番进步的心态进面试了，问到最后只有一脑门子问号。1️⃣聊天十分钟，问实习时间，稍微说了说AI。2️⃣然后开始对着项目的犄角旮旯问，完全不问技术栈，也不问任何知识点，就纯问，问这一个项目到底是干啥的。值得提的: 问了这个项目有没有需求，要是想让我用你会怎么推销。3️⃣其中盯着分片上传断点续传一直叽里咕噜问了半小时，感觉我吟唱太快了，面试官没听懂怎么个流程，没怎么对上脑电波。每个阶段的每个小细点都要细问一下分片丢了咋办，一层还行，多层套多层丢失我就晕了，不知道在问什么，只能说说终归到底是对账的思想。算法整了道非hot100，说了思路，让写个函数行了。这块也是聊天，嘴都没停过。你说是kpi吧，问了我一小时。你说不是，复盘我空茫然半天，也不知道到底是问了点啥。面试官很严肃，就是我总想笑。高情商来说，其实很考察了我有没有思考和临场发挥能力，有一种应试教育了半天突然给我塞了一口你要被快乐教育的感觉。反问: 说我简历挺好的，算法还得练，有一定思考但还不够深。

原来就算签了协议也是可以提前走的吗，有无有经验的前辈说说是真的吗

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...