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...

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

这两天我Vibe Coding了一个项目，纯vibe那种,，一行代码都没有写。理解了很多Vibe Coding新手遇到的问题：AI写代码,改来改去越改越乱,最后项目直接崩了。 反思了一下自己Vibe Coding的过程之后，我清空了AI写了两个小时的代码，从头再来，这次就十分顺利地将项目开发完成。其实问题不在AI，而在于跳过了最重要的准备环节。就像盖房子，没有图纸就开工，盖到一半发现门窗位置不对，只能推倒重来。 所以，在让AI写第一行代码之前我们要做好些必要的准备工作。 打开 Claude或者 ChatGPT，跟它聊聊产品想法。按照这7个步骤，一步步来。 第一步：把想法聊清楚 把你的想法完整地...