rt，今天三道编程题，感觉数据很弱，ak了。但是前面基础选择有好几个不会。。。

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...

有没有uu参加阿里3.25笔试的看了下往年题 好多数学原理的题目 感觉自己要爆0了

选择题做得一般，考到了些还没怎么复习到的东西，有点不熟悉了算法题AK了，做起来比pdd的简单多了前两题不太记得题目了，AC得比较快，都是比较常规的偏语法遍历or分讨的题目第三题执行操作最少化逆序对数，翻译题目后就是枚举i，前缀逆序对数+后缀逆序对数，取min即可，逆序对数我用的树状数组快速求取