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...

我是犯天条了吗？大佬们

我是学院🐭，没面过大厂，官网投的都是秒挂，这是拿我刷kpi的吗？要尝试一下吗？

一面时间：3.20面试官介绍业务自我介绍展开讲一下百度的实习（STAR法则）举一下评测过程中典型的badcase你的工作偏下游，那么是怎么推进闭环的？做ui自动化的时候，url页面相互跳转是怎么处理的？ui自动化用的chrome插件还是自动化平台？挑选一下实习中遇到的困难，你是如何解决的？语言技术栈用的什么？mysql的四大特性（ACID）隔离有哪些级别redis常见八股（分布式锁、三大缓存问题）tcp与udp区别tcp与udp各自举一个使用场景有用过白盒测试吗？算法手撕：leetcode1. 两数之和针对用户登录功能，设计测试用例反问环节二面忘了录音了，反正和一面问的差不多，后面反问的时候跟...