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...

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈

双非学校， 八股大概看了一遍，该去投中大厂吗，还是继续沉淀再投。

一面redis 的常见操作java 创建线程的方式线程池参数:核心线程数的合理数量?实际生产如何调整?Java 创建线程池如何创建?有哪些方法？事务管理：有用过 Spring 事务吗？一般怎么使用？（@Transactional）什么情况下会导致事务失效？事务的传播机制有哪些？实习无手撕二面二面主要我问了实习，聊了聊性格30min左右后续：二面挂，当时面试官还说祝我后续流程顺利，我服了