中国银行面试通知

想咨询下大家offer选择先说bg: 中9本建筑 打算硕士毕业就找工  读博没想好 大湾区就业 岗位兴趣是大模型算法 0技术实习 论文有一篇A会三作1. 港大 计算机科学(多媒体计算) MSc时长：1-2年 (往年都是1年，今年下的offer变了，先当1年看)学费：港币$334,800地点：香港薄扶林上课为主，可选capstone做一些项目，优点是补实习利好，可选第二年12月毕业，所以可以参加两次秋招，找工作时间充足，同时title高，在一些场合下有好处，缺点是水，本科非科班，一年硕出来认可度不高，想冲大模型算法感觉不够2. 港大 人工智能 MSc项目时长：1.5年学费：港币$390,000地点：香港薄扶林上课为主，相比CS数学课更多，优点是补实习利好，可选第二年12月毕业，所以可以参加两次秋招，找工作时间充足，同时title高，在一些场合下有好处，缺点是水，本科非科班，一年硕出来认可度不高，想冲大模型算法感觉不够3. 港中深 计算机与信息工程 MPhil项目时长：2年学费：人民币￥280,000地点：深圳龙岗科研为主，课很少，优点是利好搞科研，读完基本会有paper产出，攒paper没问题，缺点是导师不放实习如果想读博很合适，目前在组里做RA体感也不错但是这个项目找工不友好，导师不放实习，组里mphil毕业直接工作案例稀少，我其实没想好要不要读博，但可以确定不打算一辈子做科研我觉得核心就是考虑：1.这几个不读博直接投目标岗的适合度2.title能不能过简历关3.攒paper和实习的友好度这样子关于读博将来打算在国内发展，走学术路线的可能性有但不是很大，因此并非确定读博。毕竟计算机还是希望进企业和核心研发，我比较关注能接触到更多的人和合作，积累一下行业内人脉。比起当教职还是更想进工业界。短板:目前0技术实习，没有对口的大模型LLM实习，也缺一作的paper，都要补纠结的点：不读博的选择目前主要没办法决定读博还是不读博关于msc，直接就业导向，补实习挺方便，但是担心非科班读一年硕出来找大模型算法岗会比较困难，同时由于课很多，不太能攒paper后续读博，万一想读博也挺费劲的关于mphil，基本上找大模型算法岗问题不大，万一想读博拿自己成果申phd也没问题，但是导师不放实习，不利于直接就业，我需要对口实习和论文，这个项目paper好攒但实习不友好想咨询一下大家的建议

继续来分享下之前的面经~欢迎友好讨论，信息共享1. multi-head attention2. 1D RoPE3. 前向传播反向传播numpy推导实现4. KL_divergence手撕5. 损失函数手撕6. 梯度下降法求解某个给定函数的极值点7. Causal Conv（在VideoVAE中最主流的技术，包括3DConv和2+1D Conv）8. 手撕Diffusion

刷到 AI 岗位的春招数据，整个人都焦虑到失眠。2026 年春招 AI 岗位量同比暴涨 12 倍，平均月薪直接冲到 60738 元，人才供需比 0.97，相当于岗位比人还多，而我所在的传统后端开发岗，入门岗位量跌了快 30%，几百人抢一个 HC。身边的同事和同学，一半在学大模型相关技术，一半已经投了 AI 岗的简历，连牛客上的面经，十篇有八篇都是 AI 算法、大模型开发。每天坐在工位上，看着自己写了好几年的 CRUD，满脑子都是：再不转 AI，是不是就要被淘汰了？可真的想转的时候，又陷入了无尽的内耗。看高薪的大模型算法岗，基本都要求硕士以上学历，还要扎实的数学功底和算法基础，我一个双非本科，只会写业务代码，连门槛都摸不到；看相对友好的 AI 应用开发岗，也要懂 RAG、智能体开发、LangChain，一堆新东西要学，一边要应付日常加班，一边挤时间啃新技术，学了半个月，还是连门都没入。更怕的是，等我费劲巴拉学完，风口又过去了，传统开发的手艺丢了，AI 岗也没挤进去，最后两头空。一边是肉眼可见的行业趋势，一边是高不可攀的转型门槛；一边是传统岗位越来越卷，一边是 AI 赛道看着香却吃不到。每天都在 “必须转 AI” 和 “我根本转不过去” 之间反复横跳，快被这种焦虑磨疯了。

【一面】 1）介绍一个最能代表自己的项目2）项目里负责的边界是什么？哪些内容是亲手实现／验证的？3）电商领域预训练数据：低质过滤与去重会怎么做？用哪些简单指标快速判断数据质量？4) Pretrain 和 SFT 分别解决什么问题？5) Transformer 的基本结构怎么理解？6）多模态模型的大致结构是什么（图像编码器+连接层+ LLM )？最容易踩坑的点通常在哪里？7) SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？8）对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？【二面】1）做过的最有影响力的一件事是什么？具体推动了什么变化？2）训练不稳定怎么排查（ loss NaN 、 OOM 、吞吐下降）3) Long Context 常见思路有哪些？在业务里如何做"能看长文本但不太贵"的折中（摘要／分段／滑窗等）?4）如何做一套简单可执行的离线评测集？如何覆盖不同语言与类目？5）多模态场景怎么评估：如何检查"图文一致性／不编造信息"？优先加哪些自动化检查？6) Prompt ／模板如何管理：如何版本化、如何回滚、如何避免一次改动导致整体波动？7) 手撕：实现一个最简单的 top - k 采样（给定 logits ／概率，取 top - k 后重新归一化采样），并说明边界情况怎么处理。📳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。