实习offer选择

我还记得入职那天的感觉。 工位上放着一台崭新的 MacBook，旁边贴着一张纸条，上面是导师的飞书号和一句话："先把开发环境搭好，有问题随时问。" 我花了大半天时间熟悉内部系统，光是权限申请就提了七八个。代码仓库拉下来的时候，我盯着屏幕上密密麻麻的目录结构，心里只有一个念头：这东西，我真的能看懂吗？ 导师叫阿宇，说话很快，但每次解释技术问题的时候会刻意慢下来。第一周的周会上，他让我旁听，不用发言。我坐在角落里，听着团队讨论服务拆分、链路追踪、降级策略，笔记本上记满了听不懂的术语。 "先别急，"阿宇说，"你先把这个模块的代码通读一遍，搞清楚数据流...

总时长35分钟，无手撕，感觉遇到KPI面了，唉35分钟一直在问实习，八股就问了下面的1.redis与数据库的缓存一致性2.redis的zset数据结构3.redis的两个持久化机制4.分布式cap理论5.什么时候ap，什么时候cp6.进程线程协程问怎么没手撕，说一面撕过了，业务是应用宝游戏商城，后面过了还有一面技术面，问面试表现，说挺顺的，可以再关注一下运维数据，然后问转go有难度嘛，就结束了

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...