湖北联通

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 ...

求各位牛爷爷指点

最近看了一些面试反馈，有一个很典型的现象：👉 有些人一面的问题，基本都答上来了，但最后还是挂了而且这类人通常会有一个困惑：👉 “我明明都会，为什么还是不过？”说一个比较直接的结论：很多时候问题不在“会不会”，而在于：👉 你掌握的是“结论”，还是“理解过程”面试官在一面，其实主要在判断一件事：👉 你的基础，是“能用”，还是“能解释”举一个很经典的问题：👉 从输入 URL 到页面展示，发生了什么？这个问题几乎所有人都准备过。常见回答是：DNS 解析TCP 建立连接发送 HTTP 请求浏览器解析渲染这些都没问题。但问题在于：👉 这些是“步骤”，不是“理解”如果继续往下问：DNS 为什么要...