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...

好像是个中厂，如果处女面面这个会死吗

给点建议吧，投不到工作😭😭😭

#牛客AI配图神器#📍面试公司：信雅达🕐面试时间：3.27💻面试岗位：Java❓面试问题：1：你先做个自我介绍。2：你这边的实习到 12 月份结束了，这个是他们是规定就这么长时间不留用还是其他情况？3：你理解的 Java 内存模型（JVM 内存模型）是怎样的一个机制？4：讲一下 Java 的垃圾回收机制5：你做的项目里，有没有遇到一些 Java 的内存溢出的一些场景？怎么排查的？6：数据库的话是看这里只列了 Mysql，是就接触过 Mysql 数据库，是吗？一些国产新创的数据库没接触啊？7：Mysql 一些性能的一些调优方面，比如 SQL 的性能等等。这方面有没有一些可以分享的经验？8：...