👋个人背景：9本👏offer1：华为智能驾驶产品线，通用软件开发，没有具体部门，base上海，薪资n*14-16（基础+绩效），公积金5%，不支持用ai，工作时间8-17.5（加班的时候21下班，忙的时候一周3-4天加班）💯offer2：莉莉丝游戏在研项目，游戏服务器开发，base上海，薪资（n+1）*14-16，公积金7%，工作时间10-19（提前实习了，实际一般20下班，忙的时候21-22）华为认可度似乎更高，但不让用ai，不知道自己离了ai还能写多少代码，hr说公司内部有自己的ai，不知道是什么样的产品有没有懂行的大佬解释下选哪个好 引流：腾讯、字节、阿里、得物、拼多多、小红书、大...

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司

1. 自我介绍2. 项目拷打3. Reward Model 在对齐训练里扮演什么角色Reward Model 本质上是在学一个“人类更偏好什么”的可微近似函数。SFT 学的是“像人那样答”，RM 学的是“人更喜欢哪种答法”。它并不直接生成答案，而是给候选答案打分，把人类偏好从离散排序信号压进一个标量目标里，后续无论是 PPO 还是其他策略优化方法，核心都要依赖这个分数去推动模型往偏好更强的方向移动。RM 最大的价值不是替代人工，而是把人工偏好从逐条监督扩展成可批量泛化的训练信号。真正难的地方在于它很容易学到表面模式，比如更长、更像模板、更会说套话的答案可能被错判成更优，所以 RM 训练的上限很...