美团内推美团内推

美团抓瓦后端一二面面经,摘自优秀牛友

一面:

1. 用过什么java框架?

2. 微服务之间怎么相互调用

3. RPC怎么从A服务调用B服务

4. RabbitMQ怎么调用其他服务

5. 优惠券从发放、领取、使用、核销的过程讲一下

6. 如果有几个订单同时提交的话,每个订单都有某一种优惠券,这里的优惠券扣除怎么进行?

(上面都跟项目有关)

7. 讲一下了解哪些java锁、结构(说了synchronized\volatile\hashmap和concurrenthashmap)

8. 线程池的创建方式和参数

9. 类加载的双亲委派

10. 现在在用什么垃圾回收器,展开讲一下

11. 知道栈溢出吗,怎么排查(讲的不好)

12. Mysql的索引,为什么要用B+树

13. 说一下MVCC

14. 有没有用过什么设计模式?

15. 代理模式怎么使用?

16. 展开说一下AOP

17. Spring的事务怎么绑定(注解@Transactional)

18. 事务的传播特性(说成ACID了晕)

19. 手撕21.合并有序链表,LCR026.重排链表

20. java学习过程中的难点,怎么解决

21. 了解大模型吗?(说了deepseek的亮点)

二面:

1. 讲一下实验室的项目

2. 对Linux有什么了解?

3. 在Linux中有一个线程被创建出来会发生什么?(感觉没get到这个问题想问什么)

4. 线程切换为什么消耗CPU资源

5. 讲一下项目中有用到什么结构

6. 对积分进行赛季分库操作,我想查询全部赛季的top100,怎么实现

7. 手撕:LCR 021.删除链表的倒数第N个结点

已offer

25届&26届均有对应项目 | 美团2025届春季校园招聘暨2026届暑期实习(可转正)招聘今日启动

关于美团:美团是一家科技零售公司,以“零售 + 科技”的战略践行“帮大家吃得更好,生活更好”的公司使命。自2010年3月成立以来,美团持续推动服务零售和商品零售在需求侧和供给侧的数字化升级,和广大合作伙伴一起努力为消费者提供品质服务。美团始终以客户为中心,不断加大在新技术上的研发投入;和大家一起努力,更好承担社会责任,更多创造社会价值。

在招项目:1. 25届校招:面向2025届应届生(毕业时间2024年11月-2025年10月)2. 26届暑期实习:面向2026届毕业生(毕业时间2025年11月-2026年10月,可直接获得26届秋招offer,超过70%的留用机会!)3. 25届北斗计划:主要面向2024届&2025届&2026届研发类优秀硕博毕业生,毕业时间为2024年1月-2026年12月

特别说明:进入链接后,带【转正实习】标记的岗位即为26届暑期实习岗

招聘岗位:技术类(含硬件/通信/电子工艺工程等)、产品类、商业分析类、零售类、运营类、设计类、市场营销类、职能类(含法务等)、金融类、销售、客服与支持类、综合类等

工作城市:北京、上海、深圳、成都、香港、广州等诸多城市

内推链接:https://zhaopin.meituan.com/web/campus

内推码:7RMRUYV(简历优先筛选,流程加速推进)大家投递完可以在评论区打上姓名缩写+岗位(比如PM+LJJ),我来确认有没有内推成功喽

#内推##牛友职场人脉来了#
全部评论

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
2
7
分享

创作者周榜

更多
牛客网
牛客企业服务