研究生工资<2w的，去找老板补

1.&nbsp;项目拷打&nbsp;问的非常细&nbsp;,&nbsp;聊了30min2.&nbsp;GRPO&nbsp;里的&nbsp;reward&nbsp;一般怎么设计，怎么避免模型学歪GRPO&nbsp;的&nbsp;reward&nbsp;设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把&nbsp;reward&nbsp;拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是&nbsp;reward&nbsp;hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以&nbsp;reward&nbsp;设计通常不能只靠单一&nbsp;...