还愿！！

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...

继上次三方毁约后，又拿到了腾讯社招offer

3月收官，做一次完整的量化复盘，既是对这个月的交代，也给同样在实习+春招的牛友们一个参考。个人背景：双非计算机本科，杭州某中厂后端开发实习生，同时备战春招补录，3月核心围绕「业务落地、技术成长、春招备战」三大模块推进，有可量化的成果，也踩了致命的坑，全部分享出来，和大家一起成长。一、3月核心成果与收获1. 实习业务：从“执行开发”到“方案设计”的认知升级本月核心完成2个业务需求，1个技术优化项，全部顺利上线，零线上故障：独立负责用户中心权限管理模块重构，覆盖8个业务场景、12个核心接口，完成从需求评审、技术方案设计、开发联调、灰度上线的全流程跟进。上线后接口平均响应耗时从180ms优化至42m...