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 ...

26届春招，学院本，双非硕秋招惨败，目前春招投了40家了，还没面试

我之前在一家创业公司待了一年半，虽然工资不高，但那段时间是我进步最快的时期。成长型工作的几个特征：经常遇到不会的东西，但能学会 那时候公司要做一个实时数据看板，我之前没做过。硬着头皮啃了两周文档，做出来了。现在这个技能成了我简历上的加分项，面试基本都会问。能看到自己的进步 刚入职时写个接口要一天，三个月后半天就搞定。从只会增删改查，到能独立做性能优化、架构设计。这种成长是看得见摸得着的。工作有反馈，有成就感 你做的东西有人用，用户量从0到10万，bug从每天十几个降到个位数。这种正向反馈会让你觉得，加班都是值得的。下班后还会主动学习 不是因为焦虑被迫学，而是白天遇到了有意思的问题，晚上想深入研...