最近找实习真的找麻了。bg双9，2篇具身智能论文中稿，2篇在投。研究方向偏向于rl，llm也有项目。目前手上有字节深圳推荐算法（生成式推荐，ai分身）以及智元上海vla rl的offer。搜广推的话好处就是字节title大，而且做的是生成式推荐，跟llm和rl有关，也算是先进。缺点是字节深圳感觉非核心，而且秋招前只能有一段实习不知道在广东找到能不能找到好的搜推（腾讯，虾皮）。vla的话首先base在上海，个人想回广东发展，并且智元体量和字节没法比。但是vla这两年的工资更高，秋招的时候更对口。广东也有对口企业，并且应该可以冲一下sp，ssp。个人也更擅长一点，回广东找工作应该不成问题。纠结中，求各位大佬分享自己的想法。

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1. 推荐场景多是ID类特征，如何结合大模型做2. 介绍下mmoe3. 模型优化中一共几个expert，3个expert，每个任务加expert，expert之间有交互吗，是否做过消融实验4. 选择特征是在bottom部分还是在expert的部分，每个任务的bottom部分相同吗5. 模型的样本量多少？6. 原始样本数据的正负样本比例，处理后的呢？7. 正负样本比例差别大的话如何处理，纠偏怎么做？8. 模型训练是单机训练吗9. 模型新增预估目标，模型的预估是什么？10. AUC的含义，计算方法，分子分母11. 介绍一下Adam优化器，一阶和二阶是如何设计的12. 手撕逆序对，用归并排序

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.介绍实习项目中主要负责的工作和具体任务2.介绍实习项目中 GRPO 的设计思路，包括工具调用能力的设计考量3.简单讲解 yarn 的设计思路4.讲解原始 RoPE 的原理5.讲解 GRPO 的实现方式6.讲解 PPO 和 DPO 的相关原理7.讲解 Transformer 的 Encoder 和 Decoder 相关内容，包括 Encoder 的模块组成8.定义 rag 中召回率的计算和评判标准9.讲解 MHA 中 Q 的定义， Attention 计算过程10.说明 MHA 采用多头设计的原因11.对比 Encoder 和 Decoder 的主要区别12.讲解 MQA 和 GQA 的相关原理23．说明大模型中归一化操作的应用维度13.手撕1：最长括号序列

发点面经攒攒人品～算法基础提问1.搜广推对哪个感兴趣，有什么倾向性，你觉得搜广推有什么区别2.对搜广推的链路有了解嘛，介绍视频推荐的整个链路3.召回粗精排的重点是什么，迭代方向是什么4.召回主要的迭代方向有什么，在做的方向有哪些5.介绍搜广推的发展历程6.对llm4rec的范式有什么了解嘛、onerec有什么优势7.对文本大模型、多模态大模型有什么了解嘛8.transformer的多头数量和显存有什么关系，注意力具体是怎么样算的9.Adam优化器会存储什么信息代码给定一个用户的登录和登出时间，求什么时候同时在线的人数最多，并且人数是多少还有一些个性化的问题参考性不强，就不写出来了～