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...

是简历有什么问题吗，求大佬指点要玉玉了

29届java实习，简历包装了一下苍穹外卖和黑马点评，请问有什么项目推荐吗？有必要在简历上补个蓝桥杯，马蹄杯之类的算法竞赛吗？接下来还会继续学习🥹想在暑假去进行第一份实习 有机会吗？求大佬拷打😭😭

select book_id ,book_title ,feb_2023_borrows ,feb_2024_borrows ,jan_2024_borrows ,feb_2024_borrows-feb_2023_borrows as yoy_delta ,feb_2024_borrows-jan_2024_borrows as mom_delta ,round(coalesce(nort_2023*100/ifnull(pct_2023,0),0),2) as north_pct_2023 ,round(coalesce(south_2023*100/ifnull(pct_2023,0),...