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...

这种实习能去吗？    

前几天投了零跑的嵌入式岗，岗位是整车嵌入式软件开发方向。说实话投之前没太当回事，觉得一面应该就是走个流程，结果直接被打脸。面试官上来先让自我介绍，我刚说完项目，他立刻开始顺着项目往里挖，通信协议、任务调度、实时性保障，一个接一个，完全没有喘息的机会。整场面试大概50分钟，题量很大，而且很多题不是考你背没背过，而是直接问"你们项目里是怎么做的"，没有实际经验的话很容易被问到卡壳。零跑现在在车载嵌入式这块投入很大，整车OTA、域控架构、AUTOSAR这些都是重点方向，感觉他们对候选人的要求不只是会写代码，更看重你对整个系统的理解深度。把题目整理出来给大家参考，备战车企嵌入式的同...