字节offer审批中~，许愿oc， 还愿

“我们这边弹性工作制。”懂的都懂，弹性=只弹下班，不弹上班早到没用，晚走应该还有这句也巨坑：“工资面议，薪资可观。”一面议就发现，可观是HR觉得可观跟你想的完全不是一回事“先试试，后期可以涨。”试完就没下文了，饼画得比天还大“大家都不怎么加班的。”进去之后才知道，是大家都默认加班#HR最不可信的一句话是__#

Tit for tat is fair play.人不犯我，我不犯人；人若犯我，我必犯人。

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...

分享一个蚂蚁timeline3.25 一面3.30 二面4.2 HR面4.10 意向书