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...

腾讯面试这个状态是啥意思

不过大厂的面试确实比小厂能学到更多

"请介绍一下你印象最深的项目经历。" 面试官语气平淡，笔尖在记录本上轻轻点着。 我清了清嗓子： "我在拼多多集团实习过，基础架构方向，负责分布式存储调优和微服务治理，做过千万级并发下的容量规划和全链路压测……" "——等等。" 面试官抬起头，笔悬在半空。 "你说，拼多多，基础架构？" 我点头："对。参与过大促备战的架构优化，也参与了系统的故障演练和容灾方案设计，大促窗口期系统稳定性指标比实习前拉了不少。" 原本靠在椅背上的另一位面试官，悄悄坐直了。 "是那个……GMV已经破万亿，大促期...