1. 说一下 SFT、RLHF、DPO 的区别，线上项目里你会怎么选？答：SFT 是监督微调，核心是让模型学会“像人一样回答”，训练数据一般是 prompt-response 对，优点是简单直接、稳定、成本低，适合把基座模型先拉到业务可用水平。RLHF 是先做 SFT，再训练奖励模型，然后通过 PPO 之类的方法让模型朝着“人类更偏好”的方向优化。优点是能更细致地对齐人类偏好，缺点是链路长、训练复杂、容易不稳定。DPO 可以理解成不显式训练奖励模型、也不走复杂强化学习，而是直接利用偏好对做优化，训练上比 RLHF 更简单，效果在很多场景下也不错。如果是企业大模型应用，通常优先级往往是 SFT ...

求助，怎么改进。约面都没有🙂‍↔️  

大二小登简历求拷打

欢迎大家投递哈，岗位多多，先到先得，感兴趣的话，OPPO全集团所有岗位都可以找我内推 OPPO内推推荐码【80399024】 内推链接：https://careers.oppo.com/university/oppo/campus/post?shareId=7292 早点投递，速投抢offer👇🏻 【💼岗位11大类】 AI/算法类、软件类、设计类、品牌策划类、标准研究类、硬件类、工程技术类、采购类、产品类、销售服务类、综合职能类 每人可投2个岗位！ 【工作地点】东莞、深圳、成都、上海、北京、西安、南京、重庆、武汉、杭州、海外 【福利待遇】极具竞争力的薪资、制化培养体系、多样化发展机制  ...