多多平台治理 二面13分钟

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...

boss打招呼了快500，简历投了40多份，结果到现在就只有一个外包和一个几十人小厂约面，大部分都是已读不回，或者要了简历就没下文了。不知道是我的简历写的有问题还是打招呼的方式不对，又或者学历的问题，真不知道该咋办了 …………

1. 自我介绍答：按"个人背景 → 核心技术栈 → 代表项目 → 求职意向"四段走，控制在2分钟重点突出和岗位相关的经验，不要把简历从头念一遍结尾说一句为什么对OPPO感兴趣，体现你做过功课2. 你做过的项目里，技术上最有挑战的是哪个，难在哪里？答：这道题考察技术深度和解决问题的能力，不是简历复读回答结构：项目背景（一句话）→ 具体的技术难点（说清楚难在哪，不能说"功能复杂"）→ 你的解法（为什么这么做）→ 结果面试官会顺着你说的细节追问，只说你真正主导过的部分难点要具体：比如"多设备并发上报导致消息乱序"比"系统很复杂&q...