字节二面挂，大家帮我分析一下。。是技术问题还是没HC了

字节跳动的笔试真的挺崩溃，题量大还卡时间，算法加场景一起上，做到后面基本全靠硬撑，很多题来不及细想就得写，体验挺“地狱”的

去年出国读书，今年十一月份正式从毕业，在校期间就开始投英国的工作，找到了一个实习和一个伦敦的中型科技公司以及曼城埃森哲的Offer，但后面因为和家里的沟通，以及英国PSW签证问题就没有推进了。当时想的是，说这么难找工作的英国我都这么顺利找到了，一时觉得未来虽难，还是充满了希望。回来之后就随便投了一些公司，但逐渐发现其实没有那么简单，一开始没有发觉，后面投的简历多了就逐渐感觉到内卷。之前在英国投的公司，更多看你个人的综合素质，是一个比较长的流程，从你的基础，潜力和对这份工作的热情或者动机，而国内好像总是试图从某一个方面来对你进行打压或者筛选，你要是有实习就从你的学历挑刺，你要是有学历就从你简历空...

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。

1. 介绍下你实习学了什么 做过什么项目,为什么离职的2. MoE 为什么能在参数量很大的情况下还能把训练和推理成本压住，真正难点在哪MoE 的关键不是“参数变多了”，而是“每个 token 只激活一部分参数”。也就是说总参数量可以做得很大，但单次前向只走少数几个 expert，所以理论上计算量不会随着总参数线性增长。这个思路在大模型里很有吸引力，因为可以同时兼顾容量和成本。但真正难的地方是路由和负载均衡。路由器如果只偏爱少数 expert，训练会很不稳定，热门 expert 被打爆，冷门 expert 学不到东西。另一个难点是通信开销，尤其多机训练时，token dispatch 和 gat...