天翼云加面

从过完年就开始投，到现在三个多月了，投了八十多家，笔试做了五十多场，面试了二十多次，拿到两个实习offer，都不是大厂。过程中被拒了无数次，心态从焦虑慢慢变成麻木了。有个offer就先干着吧。

1. 自我介绍2. 目前有 offer 吗？3. 聊了聊实习4. Lua 的 GC 底层怎么做的？怎么回收的？虚拟机层面了解吗？Lua 的 GC 核心思想是可达性分析。经典实现是增量标记清除，较新的版本还支持分代 GC。 简单说，Lua 会从一批根对象出发，比如全局表、当前调用栈上的局部变量、闭包、注册表等，去遍历所有还能访问到的对象，把它们标记为存活。没有被标记到的对象，后面就会被回收。Lua 采用增量方式的原因是，如果一次性做完整 GC，停顿会比较明显，所以它会把回收过程拆成很多小步，在 VM 执行过程中逐步推进。 从虚拟机角度看，GC 和 Lua 的对象模型、栈帧、闭包、table 结构...

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

公司： 深圳市麦思吉网络科技有限公司线上面试面经：有玩过哪些游戏对dnf游戏理解py基本数据类型py的可变参数和不可变参数区别不借助AI 能否手动编写自动化脚本自动化测试如何获取到元素为什么不做开发了测试流程是怎样的测试报告一般写什么有做过那些专项测试能接受加班吗总结公司明确要求要加班，没有加班费，只是调休而已。岗位主要是做游戏自动化这方面的测试，面试会重点考察Python，也是问的py的基础。不过鼠鼠之前是走java的所以很明显凉了。凉经