莉莉丝内推

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...

项目很垃圾就是外卖加点评，想在成都找个中小厂实习（如果能去大厂更好但是我感觉我不行），实习到9月份开学，现在准备开始背八股，力扣刷了20多道，机会大不大？

判断是否适合去大厂，关键看三点：一是基础是否扎实，能否应对系统化考察；二是学习能力和自驱力，是否能在高强度环境中持续成长；三是心态与预期，能否接受规范流程和团队协作。如果你更偏好稳定成长、愿意打磨基本功，大厂通常是不错的选择。