刚来上海蔚来汽车实习没几天～🚗上海蔚来汽车公司氛围很棒，基本都是年轻人，感觉大家好像也不咋加班，弹性上下班，同事们都很友善🥰leader 人美心善，说话温温柔柔的。还和一个实习生姐妹约好以后一块到处玩，宣～🥀但是园区附近吃饭好贵，基本30往上，味道还一般般，所以建议提前三四十分钟点个外卖稍微划算点🌷办公室环境也挺不错滴，有一个活动厅可以中午吃饭休息，还有专门的电话亭打电话🏠租房的话租在了公司附近的一个小区，和别人合租，偏贵，但是合租室友很好，小区消费水平正常，还认识小区一个善良的婆婆，听说我天天在外面吃饭，还打电话叫我去家里吃饭蔚来26届3.27暑期实习启动，春招也同步进行中【关于蔚...

民办本，投了简历到现在没有一个约面，是我这个简历太垃圾了吗？各位大佬帮忙看一下有什么需要修改的

周五投了 tx，部门选的任意，今天来约面电话了，结果是 wxg，还是微信支付？？纯血 C++来捞我一个纯 java 的简历？？问我接不接受转语言，我说考虑转 go 但是从来没考虑转 C++，然后还是说让我面试尝试一下？？？说面试不会考语言。面试官是个女生，口音听着像台湾那边的现在看网上 WXG 的面经已经吓哭了，不会上来就让我写四道 hard 吧，hot100 选手已投降🏳️

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...