26届腾讯校招内推

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...

27届，投实习  

忽然收到了面试邀请 有没有友友有面经分享 投了这么多 第一个面试机会

投的是联想的 C++ 软件开发岗，一面是视频面试，面试官看起来是个技术 lead，全程很平和，没有刁难的感觉，但问题一个接一个，基本没有冷场的时间。整体考察方向偏基础扎实度，C++ 语言特性问得比较细，也有一道设计题和一道手撕。项目部分聊了大概十分钟，他主要关注你在项目里遇到了什么问题、怎么解决的，不太关心项目本身做了什么。总时长约六十分钟，体验不错，面试官会给你思考时间，答不上来他也会给提示。1. new 和 malloc 的区别是什么？placement new 是什么，什么时候会用到？答：malloc 是 C 标准库函数，只负责分配一块指定大小的原始内存，返回 void*，不做任何初始化...