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...

这个是流程终止了吗

AI 能力恐怖如斯……  

📍面试公司：虾皮一面： 拷打项目（30min左右，没答好）给出n，k两个数，从1..n这n个数里面，列出所有k个数的组合情况，比如n=4，k=2，给出 [[1,2], [1,3] , [1,4], [2,3], [2,4], [3,4]] （回溯）📍面试公司：富途一面：SQL：给你一张STUDENT 表 | id | subject | score | | ---------| ------- | ----- | | S001    | A | 90 | | S002    | A      | 95 | | S002    | C      | 60 | | S003    | A   ...