1. 自我介绍2. 为什么要用 DPO，你的 DPO 数据从哪里来DPO 主要用来做偏好对齐，让模型在两个候选答案中更倾向于选择符合业务偏好的回答，而不是只学会复现标准答案。SFT 解决的是“会不会做”，DPO 更偏向解决“更喜欢哪种做法”。数据一般不是直接从线上拿一问一答就能用，而是先用上一版 checkpoint 对同一批 prompt 做多候选采样，再经过规则、模型评审和人工复核构造 chosen/rejected。这里不用商业 API 蒸馏正反样本，是因为不同模型的输出分布和本地模型不一致，直接蒸馏会让偏好边界偏到外部模型的风格上，最后 DPO 学到的是别人的分布，不一定能提升当前模型...

绷不住了

我听学长说他最害怕的就是前辈突然开口，尤其是那句“有空吗？”，每次听到都头皮发麻，神经紧绷。真的，这句话绝对是实习噩梦top1，没有之一！只要前辈一开口说“有空吗？”，大概率没好事，要么是临时加活，要么是之前做的东西出问题了，要么就是去做完全没接触过的任务，根本不知道该怎么下手。学长说他之前实习的时候，刚摸鱼刷了两分钟手机，前辈就走到工位旁，轻轻说“有空吗？”，给他吓一跳，硬着头皮说“有空有空”，结果就是让他改一份紧急报表，还得半小时内交，手忙脚乱半天，差点出错。后面导致他现在只要听到这句话，条件反射就紧张，哪怕是前辈只是想让他帮忙递个东西，他都得先慌一下。有时候甚至会故意装作忙，就怕被喊到