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...

已经有一段实习了，但是年后投到现在至今0约面😭，是哪里出了问题啊，是双非学历问题还是简历问题啊😭😭求各位大佬指点一下

1. 自我介绍2. 项目介绍3. 多 Agent 项目中遇到了哪些难点，怎么解决的？4. RAG 项目中的创新点5. 你说一直对 AI 感兴趣，经常追踪 AI 发展的前沿动态，最近了解到哪些 AI 相关的动态？最近在学什么 AI 相关的知识？6. 手撕：力扣 395：至少有 K 个重复字符的最长子串（只剩 10 分钟了，没写出来，把函数框架写好了，说了说大致思路）这面试官看起来不是个省油的灯，迟到了两分钟先不说，回答的时候一会站起来活动活动，那边还有对话杂音（估计是和员工说话），整个过程他也皮笑肉不笑的，感觉要寄