许愿联洲

本人广工大三，现在一个月速学了一下java后端开发，目前刚准备完整练个项目，但简历上用ai包装了一下黑马点评（没做纯瞎编），正在海投实习。目前困惑是到底要考研冲一下211，还是继续学习刷实习就业，冲211难度有点大，而且害怕三年后的行情出来会不会不值得投入的这三年，但就业的话，又怕上限太低，求大佬们给点建议

四段实习经历，三段大厂。。春招至今0面试。。。受到好大的打击啊

是因为学院二本的原因嘛，一个公司都不要，想去个大点的公司好困难，只能继续在小小小公司干着了

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...