陕西电信求解

实习第三周，我第一次参加架构评审会。 会议室里七八个人，PPT 翻了二十多页，大家在讨论一个微服务拆分方案。 逻辑我基本听懂了，但有一处一直卡着我： 新的服务拆分之后，调用链路会多出两跳。日常流量下，问题不大。 但大促流量峰值呢？ 我翻了翻压测历史数据，高峰期 QPS 能冲到平时的十几倍。 我举了手："这个方案，在高流量场景下，级联超时的概率会不会放大？" 会议室安静了两秒。 架构师转过头，看了我一眼："你怎么算的？" 我把压测数据和延迟预估的推导过程说了一遍，大概三分钟。 他点了点头："这个问题值得拉个专项。" 散会后，导师发来私信...

绷不住了

求各位牛爷爷指点

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...