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...

不过大厂的面试确实比小厂能学到更多

补档：hr和技术面同时进行hr主要问一些校内成绩有没有挂科，然后就是base地点，薪资期望还有家里和实习技术面狠狠拷打了项目，感觉讲的有点不好，逻辑还是没有理顺，没有问八股。估计没有后文了，说通过下周发心里测评。实习的话是包装了包装，被狠狠拷打了，一问你这个具体干啥了，和谁对接的，怎么处理的，指标怎么得出来的就懵逼了，想办法解决了得，建议一定要对项目熟的不能再熟。