2024北京福利好、人性化公司名单

一面手撕 生产者消费者 保证顺序消费有哪些线程池线程池 原来 核心线程为什么不被回收，内部如何实现的如何动态修改线程池hashmap的put过程java集合族二面 flowable流程框架与其他框架的对比实习期间难点实习与学校主要区别是什么需求不明确的情况下怎么办flowable框架可以设定流程的间隔时间吗？如果需要流转的时候，间隔是选择框架自带的设置。还是说使用程序层面的一些定时任务来控制？吐槽一句：二面完面试官说，hr暂时没空，等下午或者明天再给我后续流程。但是直到现在，也没有后续推进，我怀疑这是他们挂人的话术

1、文本分类特征选择算法卡方检验（Chi-Square Test）：统计特征（词）与类别之间的独立性。卡方值越大，特征与类别的相关性越强。信息增益：衡量特征为分类系统带来多少信息量。信息增益值越大，特征越重要。互信息：衡量特征与类别之间的统计相关性。TF-IDF加权：通过词频（TF）和逆文档频率（IDF）筛选重要特征。高TF-IDF值的词通常为关键特征。2、ReLu替换Tanh的后果ReLu在负区间的梯度为0，可能导致神经元“死亡”​​（Dead ReLU）3、GPT的多种能力文本生成：生成符合语境和逻辑连贯的文本（学术、故事、文章）代码生成：生成可执行的代码片段（脚本、debug、功能实现）对话交互：模拟人类对话，提供个性化交互体验（客服、助手、陪伴）创意内容生成：艺术创作或设计（诗词、图案描述、营销文案）数据与知识生成：结构话信息提取或虚构数据生成（表格生成、虚构数据）多语言生成：跨语言内容生成和翻译（多语言写作）逻辑与推理生成：解决数学问题或逻辑推理任务（解题、策略）4、大模型训练和推理的参数量判断，需要多少显卡。（14B）训练：模型参数（14B）+优化器状态​（如Adam）：每个参数需要存储参数、梯度、动量、二阶动量（共4份 FP32 数据）+梯度：以 FP16 存储 14B + 激活值（Activations）​：与批次大小（Batch Size）、序列长度（Sequence Length）相关，通常占用 ​20%~50% 总显存。 约为14*2+14*4*4+14*2+50=330推理：参数 + KV缓存≈28GB+1GB=29GB（FP16）或14GB（INT8）5、文本、图片、视频的标注方式文本分类、命名实体识别、关系抽取、序列标注、问答标注目标检测、图像分割、关键点识别、图像分类、OCR标注动作识别、目标跟踪、时间序列标注、多模态标注6、常见的数据清洗方式删除缺失记录、填充缺失值、标记缺失值、删除重复行、合并冲突字段、检测异常值、数据格式标准化、标签一致、逻辑一致、文本去噪、平滑技术7、简述残差连接​残差连接（Residual Connection）​ 是一种通过跳跃连接（Shortcut Connection）将输入直接传递到网络深层的技术，从而缓解深层网络的训练难题（如梯度消失、模型退化）、​加速模型训练、增强模型表达能力8、大模型训练的全过程数据准备与预处理数据收集数据清洗分词，编码加载模型迭代训练

大模型幻觉（Hallucination）是指模型生成与事实不符、缺乏依据或逻辑混乱的内容，其产生根源可从多个维度分析：数据驱动缺陷训练数据的噪声与偏见：大模型依赖海量互联网文本训练，而网络数据本身包含错误信息、主观偏见、过时知识甚至虚构内容。模型无法辨别数据真伪，可能将错误模式内化为“知识”。长尾知识覆盖不足：即使训练数据规模庞大，某些冷门领域或细节知识仍可能缺失。当模型被迫生成此类内容时，可能通过“脑补”填补空白，导致虚构。数据时效性滞后：模型训练存在时间差（如GPT-4数据截止到2023年10月），无法获取最新事件或研究成果，可能生成过时信息。概率生成的本质：模型通过最大化token预测概率生成文本，目标是“流畅合理”而非“真实准确”。当高概率路径与事实冲突时，模型优先选择语言连贯性。缺乏现实世界感知：模型仅学习文本间的统计关联，缺乏对物理世界、因果关系或社会常识的深层理解。例如，可能生成“太阳从西边升起”的合理句式，但违背常识。自回归生成误差累积：生成过程逐步依赖前文，早期错误（如错误的前提假设）会导致后续内容偏离事实，形成“幻觉链”。训练目标与评估偏差损失函数局限性：训练时以预测下一个token的准确性为目标，未直接优化事实正确性。模型擅长模仿语言模式，但缺乏事实核查能力。缺乏显式知识验证机制：传统架构未内置实时知识检索或逻辑推理模块，无法在生成过程中交叉验证信息真实性。应用场景的复杂性模糊性指令的过度泛化：当用户需求模糊（如“写一篇关于量子物理的论文”）时，模型可能虚构术语、引用不存在的文献以完成响应。对抗性提示诱导：特定提问方式（如“请描述历史上不存在的某场战争”）可能触发模型的创造性生成模式，混淆虚构与事实边界。缓解幻觉的常见策略知识增强：引入检索增强生成（RAG），实时调用权威数据库辅助生成。强化对齐：通过RLHF（基于人类反馈的强化学习）优化模型对“真实性”的偏好。不确定性标注：让模型主动标记低置信度内容，如“据某些资料显示…”。            

秋招逆天面试官遇到太多了现在没遇到一个好面试官都想感叹一下“你对AI了解得怎么样”“我还挺了解的，agent rag gan 各种工作流还都挺熟悉的”（学了一点就飘了）“既然你说对这块很熟悉，那你说一下，一般一个agent后台的架构是怎样的”“。。。这个不太会”牛皮吹破了不过面试官后面开始引导了，具体一个场景，一个客服一个执行命令行的agent怎么分流后面还是答出来很多的