第一封感谢信

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...

恐怖如斯

现在圈子里都在聊 Vibe Coding，好像只要动动嘴皮子、对对眼神，代码就能像喷泉一样涌出来。这种“只要感觉对，代码自然位”的幻觉，最容易让职场新人产生一种错觉：底层原理不重要了，基础训练过时了。但现实很骨感：Vibe Coding 可能会干掉“平庸的初级岗位”，但它其实给“硬核的新人”留了条快车道。1. 初级岗位的“分水岭”已经出现如果你的日常工作只是把产品经理的白话翻译成 Java 或 Python，那 AI 的确能把你 K.O. 掉，而且连招呼都不打。那种“机械翻译”式的初级岗正在迅速枯萎。但反过来想，AI 把你从繁琐的语法纠结中解放了出来。新人不再需要花三年时间去背诵 API，而是...