1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

人怎么对AI的容忍度如此之大  

目标后端

bg2段大厂实习，暑期2offer腾讯-IEG北极光-天刀游戏后端（上海）快手-商业化-电商引擎架构（北京）现在很纠结，游戏方向不是本人想发展的方向，但是放弃鹅的title有点可惜，而且本人更偏向于江浙沪；快手方向不错，但是在北京，title不如鹅至于转正率，两家半斤八两。。。希望万能的牛友提供点建议，谢谢