上班是一件消耗人的事情，尤其是对于校招生，我能过很明显的意识到，虽然我都快要毕业一年了，而且自己也不是能力不足的拿这人，但因为沿用了在学生阶段形成的一套行为逻辑，经常还是会导致自己内耗。想到哪说到哪，其中比较典型的两点，过度听从指令和过度强调礼貌与配合。这两种特征在学校环境中通常是正向激励的结果：规则明确、评价标准清晰，个体只需要按照既定路径完成任务，就可以获得认可。但在更复杂的现实环境中，这套逻辑往往不再适用，甚至会带来效率和发展上的限制。一、从“服从指令”到“参与判断”学生思维的一个核心表现，是默认“答案在他人手中”。说人话就是，当面对任务或决策时，习惯先等待更高位置的人给出明确指示，再执...

我现在这个水平大概能拿到多少薪资的offer😂

1. 自我介绍2. 为什么要用 DPO，你的 DPO 数据从哪里来DPO 主要用来做偏好对齐，让模型在两个候选答案中更倾向于选择符合业务偏好的回答，而不是只学会复现标准答案。SFT 解决的是“会不会做”，DPO 更偏向解决“更喜欢哪种做法”。数据一般不是直接从线上拿一问一答就能用，而是先用上一版 checkpoint 对同一批 prompt 做多候选采样，再经过规则、模型评审和人工复核构造 chosen/rejected。这里不用商业 API 蒸馏正反样本，是因为不同模型的输出分布和本地模型不一致，直接蒸馏会让偏好边界偏到外部模型的风格上，最后 DPO 学到的是别人的分布，不一定能提升当前模型...