1. 自我介绍2. 为什么要用 DPO，你的 DPO 数据从哪里来DPO 主要用来做偏好对齐，让模型在两个候选答案中更倾向于选择符合业务偏好的回答，而不是只学会复现标准答案。SFT 解决的是“会不会做”，DPO 更偏向解决“更喜欢哪种做法”。数据一般不是直接从线上拿一问一答就能用，而是先用上一版 checkpoint 对同一批 prompt 做多候选采样，再经过规则、模型评审和人工复核构造 chosen/rejected。这里不用商业 API 蒸馏正反样本，是因为不同模型的输出分布和本地模型不一致，直接蒸馏会让偏好边界偏到外部模型的风格上，最后 DPO 学到的是别人的分布，不一定能提升当前模型...

求各位路过的大佬锐评！      

刷到这个话题，真的像看到了两个月前的自己。作为双非计算机本科，今年冲杭州大厂暑期实习，海投了30多家大厂，从阿里、字节、拼多多，到网易、美团、快手，笔试做了十几场，一面只进了3次，全挂了。那3个月，我天天在出租屋里死磕大厂，牛客刷面经、背八股、刷算法，投出去的简历90%石沉大海，每天睁眼就是刷招聘软件，看有没有面试邀请，晚上焦虑到凌晨三点睡不着，满脑子都是“找不到大厂实习，秋招是不是就完了”。身边的同学，要么拿到了大厂实习offer，要么已经接了本地中小厂的offer，只有我还在死磕，高不成低不就。期间有两家杭州的中小厂给我发了实习offer，一家是做电商SaaS的，一家是做AI Agent应...