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...

昨天面试官打电话来说有事情，晚点发个邮件调整一下时间，结果今天显示流程结束了，要发一封邮件问问吗

timeline1.13打电话约面1.20 一面 第二天约二面1.23 二面 过了一个周末约三面1.28 三面2.2 通知三面过 offer审批2.5 oc

背景：双非一本，计算机专业，大三找暑期实习。 战绩：前两次投递，简历挂得连渣都不剩；后两次投递，修改了核心逻辑，拿到字节、阿里实习面试机会，最终拿下字节后端实习offer。今天不整虚的，直接复盘我是怎么把一份“流水账”改成大厂敲门砖的。希望能给正在焦虑的兄弟们一点参考。第一版简历：典型的“学生思维”自嗨刚开始写简历，我恨不得把高中拿的“三好学生”都写上去。【修改前 - 失败案例】项目经历：校园二手交易平台负责后端开发，使用了SpringBoot和MySQL。实现了用户登录、商品发布、留言评论等功能。参与了数据库设计，修复了一些Bug。锻炼了团队协作能力，吃苦耐劳。自我剖析： 这种写法简直是灾难...