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...

bg，重邮本末九硕，一段中厂，一段大厂实习项目是我主页的知光，项目和面经什么的，xhs可以搜到，同名

求大佬们拷打简历，投了好多简历了，基本上都没面

说一下背景，26届，数据分析，211本，目标是互联网数据分析+银行数据岗。从2月初投到3月中，陆陆续续投了47家，现在基本上岸了，复盘一下踩过的坑。 1、前两周填表填到想死 这个是我觉得最亏的。前面十几家全是手动填的网申表单，教育经历项目经历实习经历，每家都要重新填一遍，而且有的公司表单巨长，一家能搞15分钟。填到第十家的时候真的有点崩溃，明明都是一样的东西为什么要我填十遍。 后来室友给我推了牛客那个网申助手，录一次信息之后每家打开就自动填好了，我当时的心情就是：我前两周在干嘛。 点击获取：https://www.nowcoder.com/my/resume-plugin-intro 2、海投...