1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

刚加上这个hr，结果是个广子，发完第一句话就被封号了微信

我投的后台开发。。。这还要面吗

痛苦体验报告请查收：没工作（急性病）：痛苦来源：经济压力 +同辈比较 + 自我怀疑优点（很多人不提）：时间自主权100%。可以系统学习、深入研究目标行业、高质量准备面试。这种痛苦是集中的、目标明确的，只要找到工作，痛苦立刻解除。烂工作（慢性病）：痛苦来源：无意义感+ 能量被吸干 + 精神PUA + 能力退化可怕之处：它是系统性的、缓慢的腐蚀。它偷走你的时间和精力，让你没力气学习跳槽，陷入“抱怨-麻木-离不开”的恶性循环。它伤害的是你的职业习惯、自信心和心理健康，这种损伤修复期更长。so，如果积蓄能支撑你半年（计算真实生存成本，非生活成本），果断离开烂工作。用3个月时间，像上班一样规律地学习、 ...