简历投递

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...

像这种简历是不是直接要被扔进垃圾桶啊。看了别人的简历再看自己的感觉完蛋了。求大佬们不吝赐教😭😭😭

__enter__ 的返回值会绑定到 as 子句的变量举例如下：python class MyContext: def __enter__(self): print("进入上下文，返回一个字符串") return "Hello, World!" # 这个返回值会绑定到 as 后面的变量 def __exit__(self, exc_type, exc_val, exc_tb): print("退出上下文") return False with MyContext() as value: print(f"在 with 块内，v...