1．自我介绍2．你做的上下文扩大具体是怎么做的，原理是什么？3．相关长文本是怎么做几阶段训练的？4．除了所用的扩展方式， Deepseek 、 Llama 的长文本扩展方案是什么，为什么选择当前方案而非其他？5．若要将模型训练到1000K的上下文长度，该从哪些方面实现，其中的难点是什么？6.32B模型训练用到了多少显卡？7．若将上下文扩展到1000K，该如何估算训练的算力用量？8．上下文扩展到1000K后，训练时显存会在哪些地方暴涨？9．用 GRPO 做后训练的过程中，遇到的典型或较难的问题是什么？10．针对上述问题，训练 Skill 的具体方式是什么？11．从算法设计角度，该如何解决模型无效调用工具、工具调用参数失败的问题？📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1、Function Calling 和传统工作流有什么区别？传统工作流是提前把流程写死，比如先做意图识别，再查知识库，再调接口，最后生成答案。它的优点是稳定、可控、方便测试，缺点是灵活性差，场景一复杂就要不断加规则。Function Calling 是把“什么时候调用工具、调用哪个工具、参数是什么”交给模型决定。它更灵活，适合开放式任务，但稳定性会差一些，容易出现乱调工具、参数错误、重复调用的问题。线上一般不会纯用其中一种，常见做法是：主流程用工作流控住，局部节点再放给模型做 Function Calling，这样既有灵活性，也不至于失控。2、多轮对话里上下文太长了怎么处理？不能把所有历史对...

薪资：无 环境：非常好啊工作内容：学习十个科目，并附有两次业绩考核，对我而言有所提升氛围：很好啊，大家彼此之间还算友好

ps：如果这篇帖子对于还在找工作和找实习的你有所帮助，可以关注我，给本贴点赞、评论、收藏并订阅专栏；同时不要吝啬您的花花MySQL 作为持久化关系型数据库，具备强一致性特性；Redis 作为内存型缓存，具备高性能优势。二者作为异构存储，强一致性难以实现（需承担极高的性能损耗），因此绝大多数业务场景均以「最终一致性」为核心目标。以下将对主流一致性保证方案的执行流程、优缺点及适用场景进行详细解析，排序遵循「应用广泛程度+一致性强度」原则。核心背景：一致性问题的根源读写顺序异常：例如先更新缓存再更新数据库，在并发场景下易产生缓存脏数据；网络及系统故障：例如数据库更新成功，但缓存删除操作失败（如网络中...