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...

本2硕9，简历里就写了一个点评和一个rpc，有点焦虑，hot100写过一遍感觉和没写一样，八股每天看，但是感觉有点看不下去，看一会就没劲，求骂醒目前才开始投，投了一个vivo，一个亚马逊，一个腾讯

本2硕9，力扣是没刷完的，八股是没背完的，准备先投中小厂练练手，逼自己先面试找找感觉。大厂到底什么时候才配投啊，看了面经能掰扯的最多才一半

自我介绍手撕：最长无重复字符的子序列（经典，字节最高频的一道题）询问上段实习为何离职针对简历上图片评测相关的工作讲解一下数据集清洗、打标怎么做的构建benchmark的标准有哪些？讲解一下基于agent skill做ui自动化的细节讲解一下一个需求完整的开发到上线流程。线上出问题是怎么解决的？第二段实习中代码行覆盖率怎么做的，有调用外部工具吗？反问：多久出后续。