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...

做过很多的项目，也有一段实习，但是投递就几乎没啥反应，是简历问题吗？大家帮忙看看吧想做AI产品

记录一次非常糟糕的面试体验上来还说什么部门现在很缺人，回头想想真是非常的逆天。提前开始 + 早退 + 中途打电话 + 网络信号不好整体面试：不断对我做项目的动机进行打压，说我写项目的动机逻辑有问题。给他解释他说项目不是我自己做的（？？？？）问的问题非常的不专业。甚至问一些什么具体怎么抓包的？我想给他展示，他还不乐意看，完全不明所以。反问的时候问到实习生的主要工作内容，回答的全是一些空话（什么给部门赋能乱起八糟的，一点具体的都没有）。如果不想招人，请不要浪费大家的时间，谢谢！！！！