小米未来星

1. 说一下 SFT、RLHF、DPO 的区别，线上项目里你会怎么选？答：SFT 是监督微调，核心是让模型学会“像人一样回答”，训练数据一般是 prompt-response 对，优点是简单直接、稳定、成本低，适合把基座模型先拉到业务可用水平。RLHF 是先做 SFT，再训练奖励模型，然后通过 PPO 之类的方法让模型朝着“人类更偏好”的方向优化。优点是能更细致地对齐人类偏好，缺点是链路长、训练复杂、容易不稳定。DPO 可以理解成不显式训练奖励模型、也不走复杂强化学习，而是直接利用偏好对做优化，训练上比 RLHF 更简单，效果在很多场景下也不错。如果是企业大模型应用，通常优先级往往是 SFT ...

何意味😄

拿到多个offer是幸福的烦恼，但选错了可能影响未来3-5年。这篇把offer选择的决策框架完整拆解，帮你做出理性决策。  📦 开始之前：我准备了哪些东西 offer选择是重大决策，需要工具和方法。先列一下我做offer选择时用到的核心物料：    工具/资料 用途 备注     offer信息表 汇总所有offer的关键信息 用飞书多维表格或Excel   决策评分表 按维度给每个offer打分 量化决策，避免感性   求职精灵（finsight.work） 查公司信息、看面经了解团队 辅助判断   牛客网 看公司评价、团队氛围 真实员工反馈   脉脉 了解公司内部情况 匿名但信息丰富  ...