远景智能算法工程师校招面经

早8.30晚5.30但是大家都是7点左右才走，午休一个半小时。大概率只有13-14薪（包含年终绩效...）工作挺简单的，领导同事不错，总监有点push

继续来分享下最近的面经~欢迎友好讨论，信息共享1. Transformer 为什么能替代 RNN 成为大模型主流架构？2. Self-Attention 的计算过程是什么，时间复杂度为什么高？3. Multi-Head Attention 的作用是什么，为什么要分多个头？4. 位置编码为什么必要，绝对位置编码和相对位置编码有什么区别？5. 什么是 KV Cache，它为什么能显著提升推理效率？6. Prefix Cache 和 KV Cache 有什么区别，分别适合什么场景？7. 为什么大模型推理通常是 memory bound，而不是 compute bound？8. Batch 推理和单请求推理的吞吐与延迟 tradeoff 是什么？9. Continuous Batching 解决了什么问题，为什么对推理服务很重要？10. Prefill 和 Decode 两个阶段的性能瓶颈分别在哪里？11. 大模型采样里的 temperature、top-k、top-p 分别会怎样影响输出？12. 贪心解码、束搜索、随机采样分别适合什么生成任务？13. 重复惩罚和长度惩罚分别是为了解决什么问题？14. 为什么模型有时会出现“复读机”现象，通常怎么缓解？15. 量化是什么，INT8、INT4、FP16 的核心区别是什么？16. 推理量化会对模型效果造成什么影响，如何评估是否值得量化？17. 张量并行、流水线并行、数据并行分别适合哪个阶段？18. 单机多卡部署大模型时，通信开销主要来自哪里？19. 为什么 GPU 显存是大模型部署的核心约束之一？20. 模型参数量、上下文长度、并发数三者之间是什么关系？21. 什么是 MoE 模型，为什么它能在参数规模很大时控制推理成本？

40个选择题1.计算机网络相关：网络协议、子网掩码2.操作系统：进程、程序、死锁、并发3.电信？信号？有一些没接触过的通信相关的东西4.产品理论5.数论，二元域的模运算6.机器学习：支持向量机、神经网络

软件工程，二本大三在读。7月份放暑假，学过编程语言，数据库，操作系统，计算机网络技术。在学校成绩不错但是属于期末考试完就知识忘记了的程度。面对找实习工作，还是要花时间精力去复习。现在不知道准备什么方面的知识，暑假投前端的话，要花时间学前端的东西，开始秋招如果前端死了，那现在的投入性价比太低了。投后端，要准备的东西据说很多，也说后端更容易被ai替代。还是投ai算法岗，可以2个月自学准备准备，但又有人说工作看重大学和学历，项目经验和论文。项目经验没有头绪。我爸建议我暑假进培训班学习学习，学组装ai机器人，嵌入式，3D打印建模等等。可是我软件工程，没接触单片机这些，他属于传统制造业的，具体技能也不清楚。迷茫，选哪个岗位投，还是学习呀？不想纠结着把时间浪费了