题解 | #数字颠倒#

先说说情况：base北京，小厂，实习月薪5000，房补1000，工作时间9.30-18.30，双休。面试内容：算法题：最长回文子串，记事本写，只看思路和大概的编程，不用运行。场景题：Spring boot应用，接口，部署到线上，初步测试，运行一段时间后，没有反馈了。怎么排查。（我讲了限流方面+死锁+缓存三件套+循环依赖，就是一顿输出）。然后根据我的回答提问了其他内容：缓存三件套处理方法，怎么判断数据库故障了。死锁怎么判断。问了一下agent的项目提示词工程和上下文工程区别。（讲了个大概，联系了项目。他指出了我的不足，但是说我联系项目很好）基本就没了，然后口头给offer，给我讲了业务还有薪资和...

就是觉得好漂亮，可能是配色？

佬们求助，28小登已经boss上沟通了300了，牛客投了很多也是简历秒挂，想问下大佬们是哪出了问题呀，海投的中小厂，现在还是0面

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...