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...

实习岗居然要微服务实习经验

最近十分焦虑，本来计划找java岗的，结果现在这个时代，什么都要带上ai，本来就有一大堆java八股文没背，还要仓促的学agent，但学的都是基础呀。简历上那些都是提示词工程，让AI输出指令格式，然后程序判断，也没什么含金量。完全没有什么竞争力😭，唯一的竞争力就是实习时间可以长些吧。但我也找不到适合的学习项目，另一方面自己也比较着急。想要快点找实习。求大佬们指点一下小弟😭😭😭

本来不想发了，但实在很郁闷，今天补了一些昨天面过之后的短板看完有同公司大佬当天上午面下午就约面但也有不过的立马发感谢信的我是昨天下午面完，今天一天无约面，官网显示在流程还在泡，可能在横向，也不发感谢信这次面的还行，但还是被深挖问了几个地方，虽然自己有想法但答的四四五五的，因为有些猜的不算准评价为知识广度是被认可的，但是深问就不太行，废话谁能想到问这么深，也不是，主要没遇见过标准答案，就比如滑动窗口为什么过时？没办法保证频率吗？窗口小了能保证那为什么不如令牌桶？rocketmq三层锁重平衡，那什么时候会重平衡新增删除还有啥？没反应过来，导致重复消费还导致啥？应该乱序，但没仔细看过只答了乱序没说问...