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...

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

题目描述：查询连续登陆不少于3天的新注册用户某产品在2022年2月8日各端口用户注册信息及后几日登录信息如下：该题有两种解题方法，使用row_number排序或者lead窗口函数方法1(row_number)：1.先筛选出login_tb中的user_id在register_tb的user_id，确保都是新注册用户，并考虑对login_tb进行去重，作为t12.对t1使用窗口函数row_number排序，作为t2,通过date_sub生成辅助时间列result，作为t33.对t3按照user_id和result进行group by，通过having筛选出数量大于等于3，最后加上排序易错点：1....