9.18 飞猪测开笔试

网易游戏（互娱）2027届实习生项目招聘启动 超高实习转正率、超多岗位HC、多项目方向直招、入职时间灵活可选，网易互娱等你加入 https://game.campus.163.com/m/position/30?st=ZTgzMmQyNWQtM2QyYi00MDI2LWEzZjQtMWM2YWMwZWZhNGEy

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

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

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...