投递时间线：（已经很详细了哈 5.7晚11点投递→5.9下午通知→5.10中午12：30左右完成→5.10通知一面→5.12一面→5.14通知二面→5.15晚上二面→5.16通知三面→5.17三面 （**内容上个帖子发过了，这里主要说面试相关 目前三场面试均已通过，具体问题见图片哈（时间较长遗忘较多） 🔵一面：技术面-15mins左右） 流程：自我介绍→拷打项目→部分八股，无反问 🔵二面：疑似hr面 -20mins左右（具体不清楚） 流程：自我介绍→自选项目介绍（不一定非得体现技术含量高，我觉得更多可能侧重于合作，当时我问了我的面试官）→聊天局→反问 ❗️but 大家二面差别好像挺大的，已...

记录一下我和字节的面试过程。最初约的1.13一面。结果1.12面完懂车帝后被压力暴了。觉得自己暂时没能力面字节，加上字节存在脏面评的情况。因此联系字节hr想要取消面试。HR对我一顿奶，说字节考的很基础啥的，以及现在的竞争比年后会小很多之类的，让我好好准备，给我推迟两周在面试。1.27一面。面试时长1h左右。晚上通知二面。1.30二面。面试时长1h左右。晚上通知三面。二面自我感觉比较一般没想到能通过的。八股和场景题有点没回答好，三道手撕都撕出来了。2.5三面。面试时长快1.5h。本来贼紧张，准备了好久。面试官一上来就说前两轮面试官对我评价不错，打消了我好多顾虑。聊了八股，场景题，实习经历，以及最后拷打了很久的智力题，感觉拷打了快一个小时。直接被问的面红耳赤。2.5继续约了hr面。15min。hr语速特别快，我不自觉更上她的速度，自我介绍比平时快了不少。最后告知我offer需要审批3-5天。能不能审批下来还不一定。于是我开始等待，2.9hr告知我offer没有审批下来。问原因，不告知。自我感觉是学历问题被横向了🥲既然如此为什么给面试机会，真的很难蚌。整个面试过程的心情真的是跌宕起伏。从最初的紧张不自信，到一面通过后的意外，甚至二面通过后的不可思议，但我深知我不敢倾注过多的期望，因此怀揣着未知和一丝丝侥幸去竭尽所能的准备三面。最后三面通过后仿佛得到了肯定，我也可以做到。等待offer审批时，是我这几年来心气最高的时候了。好像我马上就可以去实习了，从双非去字节跳动本就是一件很了不起的事情。虽然我也在xhs看到过offer审批失败的情况，但是我不敢去想，我祈祷我是幸运的那个人。可惜结果还是把我打回了现实，好像一切又回归平常，什么都没发生过，我的心绪好像也没有很波动，因为我深知，能通过实习是我的幸运，没通过也是我的宿命，我怪不了任何人，只怪自己调剂到了双非，而这个世界又是唯学历论的。过年期间我好像对任何事情都提不起兴趣来，好像对互联网这个行业都有点失望了，更多的是对自己的失望和怀疑，因为好像努力和没努力，结果都一样。以此记录我的找实习过程，共勉。

在上海这样的一线城市，实习生的工资水平差异比较大，主要取决于公司规模、岗位性质和个人能力。总体上，大部分实习岗位的月薪通常落在 ¥2,000 – ¥6,000 左右。在一些普通企业或中小公司，实习生的月薪比较常见是 ¥2,000 – ¥4,000；在互联网、金融等热门行业，有经验或者技能强的实习生也可能拿到 ¥4,000 – ¥6,000 甚至更高。具体岗位如市场、产品类实习生平均每月大约 ¥3,000 – ¥4,000 左右。

祝大家都能拿到满意的Offer！1. 项目拷打2. 详细阐述Transformer的底层原理，并说明其能够替代RNN的核心优势；结合Transformer架构的成熟度，分析Self-Attention机制在多模态对齐任务中是否存在瓶颈，以及在实际业务场景中，是否出现过注意力权重完全偏移的情况。3. 讲解LoRA的技术原理，说明LoRA是否仅能嵌入Linear层；分析LoRA无法在LayerNorm层之后插入的原因，以及该操作会对模型训练稳定性产生哪些具体影响。4. 结合实操经验，说明QLoRA降低训练资源成本的核心逻辑；列举常见的模型量化方式，并解释QLoRA选择NF4与FP16组合而非其他方案的原因，阐述NF4的分布拟合逻辑。5. 针对采用multi-query attention优化后，decoder延迟仍居高不下的问题，分析潜在性能瓶颈；探讨vLLM自带的KV Cache是否会成为推理过程中的负担。6. 分别说明Embedding模型与Rerank模型处理文本语料的核心流程，并结合实际应用场景举例说明。7. 结合过往RAG项目经验，讲解从数据清洗到检索服务上线的完整链路搭建流程，重点说明chunk切分的具体策略。8. 分析当前RAG技术落地的最大瓶颈，并阐述你在项目中采取过哪些优化手段来提升检索召回率（Recall）。9. 针对XX领域大模型的训练工作，说明SFT（监督微调）数据集的构造方法与核心思路。10. 结合LoRA微调实操经历，说明rank值的选择依据；在合并adapter权重的过程中，是否遇到过梯度爆炸问题，以及对应的解决方法。11. 结合你的模型部署相关经验，说明模型参数量与硬件算力需求之间的对应关系（例如不同参数量级模型所需的算力配置标准）；以部署一个稀疏率千分之三的235B参数量MOE架构模型为例，估算其所需的算力规模。12. 在搭建RAG知识库时，若需对文档进行动态更新，你采用的是全量嵌入还是增量处理方案？若为增量处理，如何规避新旧文档数据分布不一致导致的检索偏差问题。13. 针对机械臂动作态融合相关工作，说明数据融合的具体实现方案，以及对比实验的设计思路与评估指标。