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...

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

由于楼主技术栈的原因，加上好高骛远，不想做笔试，所以基本上没怎么投暑期，手、团这类公司是技术栈差别，阿里等其他公司卡学历，腾讯在职投不了其他部门。所以最终只投了字节，年前接到飞书面试，年前没时间面，约到年后2.26 飞书一面3.02 飞书二面3.03 挂3.12 HR电话约面3.17 广告一面3.24 广告二面3.27 挂之前还被其他同学说运气好，两次面的部门技术面都是只有两面，但都是倒在二面了，而且都是聊的不错，但还是被挂了。暂时在这边好好呆着吧，过了冷静期，等其他佬拿完offer我再投字节