腾讯 ieg 天美 服务器开发 已挂凉经

50min。问得很细,底层。啥问题都会场景化延申

实习

  • 主要做啥业务
  • 大key问题解决

八股

  • 缓存淘汰策略 就记得个LRU和时间轮了
  • LRU的数据结构,如何实现的,如何保证存取的效率 接上:如果要添加一个访问次数的字段如何设计数据结构
  • mysql的锁
  • 表:a是主键,聚簇索引;b是非聚簇索引。有数据a=5,b=5;a=10,b=10。select from 表 where a = 5 会加什么锁; where a = 7呢。(各种间隙锁、行(记录)锁、next-key锁(间隙+行) 麻了)
  • select ... for update 使用的锁
  • 索引失效的情况
  • redis实现分布式锁;过期时间;续时机制
  • threadlocal;底层怎么实现的,什么数据结构
  • volatile;如何实现的可见性
  • synchronized和lock的区别
  • 线程的生命周期;阻塞态和等待态区别
  • 协程
  • 如果一个玩家是一个线程,其内有协程,会有并发问题吗

算法

  • 二叉树的右视图
全部评论
友友是实习还是春招呀
点赞 回复 分享
发布于 03-19 22:34 江苏

相关推荐

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…”。 #牛客激励计划#  #AI产品经理#  #产品经理#  #聊聊我眼中的AI#  #聊聊我眼中的AI#  #如果可以选,你最想从事什么工作# #牛客AI配图神器#
点赞 评论 收藏
分享
评论
4
22
分享

创作者周榜

更多
牛客网
牛客企业服务