1. 自我介绍2. 项目拷打3. Reward Model 在对齐训练里扮演什么角色Reward Model 本质上是在学一个“人类更偏好什么”的可微近似函数。SFT 学的是“像人那样答”，RM 学的是“人更喜欢哪种答法”。它并不直接生成答案，而是给候选答案打分，把人类偏好从离散排序信号压进一个标量目标里，后续无论是 PPO 还是其他策略优化方法，核心都要依赖这个分数去推动模型往偏好更强的方向移动。RM 最大的价值不是替代人工，而是把人工偏好从逐条监督扩展成可批量泛化的训练信号。真正难的地方在于它很容易学到表面模式，比如更长、更像模板、更会说套话的答案可能被错判成更优，所以 RM 训练的上限很...

我是犯天条了吗？大佬们

求各位路过的大佬锐评！      

背景background 本人bg双九非科班，传统工科，无实习经历。本科时没有学过java、数据库、计网等相关内容，对于第一份实习的寻找是迷茫的，无论是学什么（八股，项目），还是岗位的选择（前后端，开发，AI相关），都不知道怎么下手。 在和AI聊天、让其根据自身本科与研究生的经历推荐一些比较合适的岗位后，最终选择了测试开发这个岗位。于是，认准这个岗位后，在三月初返校后，我便开始了寻找暑期实习的学习之路。八股、项目、刷题learning 最开始我也不知道测开该怎么学习，但是根据查看一些牛客求职建议帖子得知通用的八股是必备的，于是我开始系统性学习计算机网络、计算机系统与数据库。同时在这段时间在b站...