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...

这种实习能去吗？    

现在好多技术都在学，项目还在搞，但是害怕时间太晚来不及了，只要有人要我就可以了小厂也可以，佬佬帮我看一下😭😭

📍面试公司：中科创达🕐面试时间：2026.3.27 15：00💻面试岗位：java开发 实际进去做安卓车机开发❓面试问题：1.自我介绍2.问一下实习3.工作强度4.怎么获取信息5.AI使用6.查户口7.期望薪资8.反问🙌面试感想：依旧外包啊，想找一家自研还是。进去不如牛马了加班是常态，薪资也不高