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...

😭这是给挂了吗，都一周了还显示这个。。。。

吓哭了，明天被面试塞满了

二面，还是视频面试，这次面试官换了一个人，自我介绍说是做系统软件方向的高级工程师。和一面相比节奏明显不一样，问题少但每道都很深，基本上每个话题都会顺着你的回答继续挖，感觉整场面试就是在不断被追问。项目聊了将近三十分钟，他对架构设计和遇到的问题非常感兴趣，问了很多"为什么这么做"和"有没有更好的方案"。后半段有一道系统设计题，没有手撕算法，但设计题聊了很久。整体强度比一面高不少，面完感觉脑子空了。1. 讲一下你对 C++ 对象内存布局的理解，虚继承是怎么解决菱形继承问题的？答：一个普通 C++ 对象的内存布局，从低地址到高地址依次是：如果有虚函数，最开头是...