硕士论文

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...

28届2本非科班大概很快要找实习了，应该是偏ai应用开发方向

那是一个普通的工作日下午，大促备战进入最后阶段。 我坐在工位上，盯着监控大盘做例行巡检。那时候我入职才三周，说实话，很多指标看了也不知道好坏，只知道"别出红"。 然后我看到了一个有点奇怪的地方。 不是报警，颜色也是正常的绿色，但某个依赖服务的响应趋势和其他几条线走势不太一样——别人都是平的，它在缓慢地往上爬。 我截了个图，发到自己的备忘录里，想了一会儿，没吭声。 毕竟我才来没多久。说不定是正常波动，说不定我理解错了，说不定问题根本不在这里。 又过了半小时，那条线还在涨。 我鼓起勇气，在工作群里 at 了导师：「这个服务的响应时间是不是在慢慢上涨？还是我看错了？」 导师回了两...