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...

想当鹅孝女呜呜附tl：3.20 一面+二面3.23 三面3.24 显示hr面3.26 晚上收到hr面试 第二天面3.27 面完hr 7min hr很忙然后面完界面还停在链接3.30 云证 但是还是显示hr面3.31 录用评估中

如题，八股现在背了一半，hot在刷2遍了，但是好多忘了喵，现在打算边投遍复习了，简历还有要修改的吗？求狠狠拷打喵！！！！

真是一场苦战，索性该答的都答了个七七八八加粗的是没答上来的Reconciler 如何遍历 fiber 树（先序遍历）为什么要这么设计（这我上哪知道了）DOM 树和 fiber 树的区别diff 算法是怎么比较新旧两个树的（还没学到 diff 算法呢）浏览器从拿到渲染树以后都经过了哪些阶段（布局→分层→分块→光栅化→直接显示（其实是合成））为什么光栅化要由 GPU 去做（GPU 擅长光栅化的操作）为什么会这样呢（疯了吧问这个）Webpack 和 Vite 有什么区别Vite 打包用的什么（我想也是 ESM 吧）ESM 和 CJS 区别（提到同步导入和异步导入）微任务队列和宏任务队列都是什么任务循...