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...

不过大厂的面试确实比小厂能学到更多

那是一个周四下午，距离大促还有不到两天。 我正在按照清单做最后的上线检查，没什么特别的。监控正常，流量平稳，接口响应也没有问题。照理说，我应该打个对勾，然后准时下班。 但那条日志让我停了下来。 不是报错，也没有触发告警。只是一条看起来有点奇怪的日志：某个下游服务在低频情况下返回了一个不太对劲的状态码，没有被任何监控规则捕获，却在日志里安静地躺着。 我盯着它看了很久。 说实话，我不确定这算不算问题。我在这里实习才一个多月，对这套系统的了解还不够深。也许这是正常的降级逻辑，也许是某个不影响主流程的边缘情况。我甚至想过，要不先记下来，等大促过了再说。 但我还是在群里发了一条消息，@了我的导师：&qu...