途虎HR面完状态

提示词首先是提示词编写，可以套用模板1. 基础代码生成模板 请用【语言/框架】编写【功能名称】 要求： 1. 输入：【明确输入参数/数据】 2. 输出：【明确输出格式/结果】 3. 约束：【简洁/注释完整/无冗余/兼容XX版本】 4. 额外：【添加测试用例/错误处理/日志】 2. 代码修复 / 排查模板 这是我的【语言】代码，运行时报错【错误信息】 代码： 【粘贴代码】 请： 1. 定位错误原因 2. 给出完整可运行的修复代码 3. 解释修改点和原理 3. 代码优化 / 重构模板 请优化这段【语言】代码，目标： 1. 提升可读性/性能/可维护性 2. 符合行业最佳实践 3. 保留原有所有功能 ...

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈

春招实习都投了好多，全是拒绝，有一两个面试，面完也觉得希望渺茫，果真应证了那句26届学院本，buff拉满了

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...