目前正在海投中，才面了两三次，得到的反馈是项目深度不够，也不够前沿，求各位大佬指点一二

1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...

发点面经攒攒人品～1. 实习拷打2.项目拷打3. 智能客服和传统客服有什么不同点，使用 AI 后有哪些提升？4. 如何去衡量知识库的效果？5. RAG有哪些分类；多模态RAG有哪些实现框架；伪多模态RAG和多模态RAG分别怎么实现，有什么区别；CLIP可以用于哪一类多模态RAG6. RAG怎么评估，RAG评估体系中最重要的是什么7. 传统RAG有什么痛点8. 介绍GraphRAG9. GraphRAG的难点是什么10. GraphRAG如何应对增量场景11. 在选用模型的时候是如何考量的？12. 说说 MCP 的概率？为什么 MCP 最近很火？它最大的优势是什么？13. 你用的设计模式中，哪些比较熟悉，然后说说实际工作中印象比较深刻的，并且结合场景来说14. tcp/udp简单说下两者的区别？tcp为什么要三次握手和四次挥手？两次握手可以不？会有什么问题？tcp怎么保证有序传输的

1. 自我介绍2. 多模态里的旋转位置编码是怎么落到二维视觉 token 上的二维视觉 token 不像纯文本那样天然是一维顺序，所以多模态里的 RoPE 通常不会直接照搬文本侧。常见做法是把二维位置拆成行和列两个轴，分别做旋转位置编码，再把两个方向的信息组合到同一个视觉 token 表示里。这样模型在注意力里不仅能感知“前后”，还能保留一部分“上下左右”的相对结构。真正难的不是公式本身，而是视觉 token 经过压缩、重采样、patch merge 之后，原始空间坐标已经不再一一对应。这个时候二维 RoPE 的设计就要和视觉编码器、projector 以及后续 token 压缩方式一起看，否...