美团财务bp开奖，开了个满意的包

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...

拼多多测试一面，

面试完在写面经呢，一看邮件，5分钟的时间给我挂了，笔试也直接给取消了。面试官整个过程都是笑呵呵的，问题也基本答上了，整场体验感挺好的，本来以为稳操胜券，结果被他装糖阴了一手（反问环节还问他后续的面试流程，丢人丢大发了）。整个过程太抽象了，简历项目是一个没问，倒是对我简历上写的个人技能（熟悉什么东西）逐个进行了一次 DFS，越问越离谱，最后跟 AI 应用完全没啥关系了。问的问题太多了，不太能完全回忆起来，只能回忆一下大致有哪些问题，详情如下：1. 简历上写的熟悉 C++ 语言，问的问题：平时用的什么标准的 C++ 语言；是否了解模板；用过什么 STL；set 和 map 是否了解，底层怎么实现的...