释放招银offer

1. 说一下 SFT、RLHF、DPO 的区别，线上项目里你会怎么选？答：SFT 是监督微调，核心是让模型学会“像人一样回答”，训练数据一般是 prompt-response 对，优点是简单直接、稳定、成本低，适合把基座模型先拉到业务可用水平。RLHF 是先做 SFT，再训练奖励模型，然后通过 PPO 之类的方法让模型朝着“人类更偏好”的方向优化。优点是能更细致地对齐人类偏好，缺点是链路长、训练复杂、容易不稳定。DPO 可以理解成不显式训练奖励模型、也不走复杂强化学习，而是直接利用偏好对做优化，训练上比 RLHF 更简单，效果在很多场景下也不错。如果是企业大模型应用，通常优先级往往是 SFT ...

本来觉得混了段实习应该比找第一段的时候好点 怎么感觉还是没有面试哇

何意味😄

已知：Java开发5-10年内大概率必死. agent开发或许还能持续较长时间. 本人没啥太完整的科研经验（之前比较摆，基本上就是跑跑代码改改参数做点封装），数学基础也不好. 问： 1）建议转agent开发吗？如果转agent开发需要额外学习什么吗？ 2）基于我的现状有没有其他可行的方向推荐. 3）基于现在这个状态要不要拼一把去读博？