1. 自我介绍2. 项目拷打3. Reward Model 在对齐训练里扮演什么角色Reward Model 本质上是在学一个“人类更偏好什么”的可微近似函数。SFT 学的是“像人那样答”，RM 学的是“人更喜欢哪种答法”。它并不直接生成答案，而是给候选答案打分，把人类偏好从离散排序信号压进一个标量目标里，后续无论是 PPO 还是其他策略优化方法，核心都要依赖这个分数去推动模型往偏好更强的方向移动。RM 最大的价值不是替代人工，而是把人工偏好从逐条监督扩展成可批量泛化的训练信号。真正难的地方在于它很容易学到表面模式，比如更长、更像模板、更会说套话的答案可能被错判成更优，所以 RM 训练的上限很...

🐭🐭是学院本，没有实习过😭3.2号更新一波简历，目前已经有一家进二面了，一面线上面被拷打了一个多小时，后面和负责人开始聊天。😭

学历211本，四月一号开始投，到现在就有一个面试。怎么感觉工作这么难找，感觉去年九月投简历找日常的时候起码中小厂面试还是挺多的，今年小厂一个面试都没有😥。很多地方都直接简历挂，是简历写的有问题还是现在就是没岗位了？如果暑期找不到的话要不要找个小厂日常先干着？

在2025年秋招，我是从八月份开始陆续投递的，是的，没听错，26届的秋招不在是金九银十了，而是金八银九铜十铁十一了。我秋招一共投递300+，美团、京东、滴滴、快手等中大厂，九月份和十月份一直在面试，中间有一个非互联网厂过了，一直催我签三方，好在我拖了两周，最终在十月底拿了offer！