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...

求助，怎么改进。约面都没有🙂‍↔️  

求求鹅收了我吧，其他公司全是一面挂，心态已崩，有没有人知道录用评估要多久，至今 hr 没有加我微信4.2 更新 ，已收到 offer，爱鹅信鹅等鹅timeline：3.13 一面3.18 二面3.31 hr 面 云证4.2 offer

九本大学（学院本），27届。目前0段实习，现在手上有两个offerr，一个创业惠康的offer说前期实习生不分流（看网上帖子，大概率进去干实施），另一个某某研究院的后端开发岗算是小厂。该如何选择，本人还是想往java开发发展的