厂区招聘:长白班坐班不体检

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...

秋招没有大满败，最终收到节子的offer。

正式进入AI Coding时代了  

面了四五十分钟，无手撕，可能KPI面大部分时间在聊项目最近有学什么新知识吗，讲讲学了什么什么时候开始学习前端，学习方式是什么讲讲css中的盒模型js中的基本数据类型有哪几种讲讲Symbol是什么，平时使用过吗原型是什么，原型链是什么闭包是什么，应用场景有哪些，使用闭包会有什么问题如果使用闭包造成内存泄漏，怎么解决了解浏览器底层如何执行js代码吗讲讲js的事件循环大概就聊了这么多八股，其余全是项目深挖，力竭了。