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...

鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐鼠鼠好唐

30道选择题 + 1道 Prompt 题，60分钟，总分100。选择题考的是行测，Prompt 题是花店订单计算，还好把prompt题拍下来了 选择题是：言语理解、数字推理、数量关系、判断推理、资料分析 Prompt 题：花店订单计算器 这道题要写提示词让 AI 算花店订单费用 规则梳理一下：  花束分三档： 枝小束基础价 ， 枝中束 ， 枝大束  花材加价：玫瑰 /枝，百合 /枝，向日葵 /枝，康乃馨不加 会员花材加价打八折，有小数直接去掉（向下取整） 包装：豪华 ，礼盒 ，普通不加 配送： 公里内免费，超出部分每公里  块，不足  公里按  公里算，自提免费 节日（情人节/母亲节）：花束费...