猿辅导笔试

🕐面试时间：60min❓面试问题：前半小时正常问问题，后面ai coding自我介绍实习拷打，发现面试官之前也在那个公司工作过3年，参与过公司平台的创建，然后问我在实习过程中有触及到公司其他的产品或业务吗拷打项目，开发过程中有遇到什么难题，以后想怎么改善工作流和agent的区别，什么时候用哪个一个分布式系统，进程间通信的方式有哪些，哪个是最高效的（我答共享内存最高效,其他的方式还有信道，消息队列kafka，管道通信），如果是跨主机通信呢（我想不出其他的，只能想到消息队列中间件，还有通过http和rpc通信）突然扯到http 和rpc的区别，为什么公司选择rpc，rpc为什么快（没答上来，让面...

如题，本人双非学院本，大一大二的时候主要在打ACM。但是怕只打ACM找不到工作，大二也开始学开发。大三上边实习还边打比赛，但是圆梦ACM亚洲区域赛金牌了。然后我信息差比较封闭，加上前面打比赛也没什么时间。所以项目就是一个练手项目，想写技术亮点都不知道写啥。后面也没时间做一个新项目。实习也是初创公司。感觉项目经历和实习经历都拉完了。然后也是寒假才了解到暑期实习，然后花了一两周从零开始背八股，刷面经。然后面了腾讯WXG还是有些八股遗漏了，还有被吐槽项目没深度，一面直接挂了。现在感觉好焦虑，感觉ACM金牌好像作用并不大。不知道还能不能找大厂暑期，不行的话要先找中小厂沉淀吗，或者加急一个星期赶出个比较好的Agent项目然后继续投，还是说不如直接去信奥赛教培行业了。考研走算法岗的路线就算了，偏科太严重了也不擅长考试。好迷茫啊，感觉卷不动了。

兄弟们这简历真不真实，有没有问题😭

1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...