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...

求内推

学历双非，在校期间以大学生电子设计大赛和RoboMaster为主力赛事学习嵌入式方面的技术。大二升大三更想参与到产品开发的一线，于是以半离队的状态在外参加实习。各大公司陆续开始秋招，在此记录自己面试的经历，在自己学习复查的同时，也希望能帮到同期的朋友们面试经历_015月份其实是个蛮尴尬的时间，大厂的暑期实习基本已经结束，秋招其实也没有正式开始。大部分公司留出的岗位都要求尽快入职（例如云鲸智能，智元科技等），但大部分27届选手实习到岗最快也得6月中旬期末考试结束，毕竟不能因为实习丢掉毕业证，那就舍本逐末了。五一假期结束后，开始陆续投递简历，截止5月10日，面试有两个，都是处于B轮融资左右的小厂，...