Q1：大模型是怎么让生成的文本丰富而不单调的呢？答案：从训练角度来看：基于Transformer的模型参数量巨大，有助于模型学习到多样化的语言模式与结构；各种模型微调技术的出现，例如P-Tuning、Lora，让大模型微调成本更低，也可以让模型在垂直领域有更强的生成能力；在训练过程中加入一些设计好的loss，也可以更好地抑制模型生成单调内容；从推理角度来看：基于Transformer的模型可以通过引入各种参数与策略，例如temperature，nucleus samlper来改变每次生成的内容。Q2：什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？答案：Bert 的...

有点搞笑了哈哈哈😂

本人9本无实习经历，二月初开始面试，快手xhs简历都挂，京东一直泡池子，腾子三面挂，滴滴大模型算法一面挂，美团二面挂，亚麻OA都A了也挂，Google一面也挂。反正都是在挂中度过的，其实二月也是比较焦虑和陷入自我否定当中吧。但是还是比较感谢节子的速度的，而且面试的过程里面的氛围和节奏都很舒服，介绍业务和发展方向也是很明晰的。hr小姐姐人也挺好的，而且全程都是hr加我微信进行推进的，有什么情况和我说和和及时帮我推进流程，每次面试前都会提醒我今天的面试以及祝我顺利。（我感觉体感上面，志节是我面过的体验最好的一个了，从hr到面试官人都不错）timeline:3.6投简历推进评估3.7 hr打电话来约面3.9一面，20min后约二面3.11二面，二小时后约三面3.13三面，两小时后约hr面3.13hr面，面完就差不多oc了3.17 收到正式的offer

在阿里做了6年策略产品，面试过的候选人少说上百个。面得越多就越发现一个规律，那就是大部分人的面试准备方向，从一开始就错了。不是说你技术不好，也不是你经验不够。而是你以为面试在考A，其实面试官在看B。今天从面试官视角来看策略PM的面试，聊聊一面、二面、三面，面试官真正看重的是什么。一面：你以为在考技术，其实面试官在看你怎么定义问题一面通常是你团队中的peers，或者是你的师兄。也是和你未来一起干活的人。很多候选人准备一面的方式是：刷AB测试题、背推荐系统架构、准备指标体系拆解。这些都没错，但这只是门槛。我印象很深的一个候选人，技术功底相当扎实。推荐系统的召回、粗排、精排、重排讲得头头是道，AB测...