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...

简历求拷打，有没有大佬给点建议😭实习经历不太会写，大部分都是做业务功能的没有很强的技术点😟

在京东实习，最让我印象深刻的就是 “战斗战斗，只做第一”。作为后端开发，每天面对需求迭代、接口调试，压力再大，看到这句标语就觉得该往前冲。它不只是口号，更是刻在工作里的执行力，让我明白技术人也要有敢拼敢赢的劲头。万事做第一，是一种信念，一种心气，我永远也不比别人差！#一张图晒出你司的标语#