很多人被问到这个问题时，第一反应是：“我会把Prompt写好一点。”但如果你真的这么回答，基本就已经输了。因为在真实业务里，大模型从来都不“乖”。它会幻觉、会乱填参数，甚至在极端情况下可能触发危险操作。就比如我之前做项目，有一步是需要让大模型输出一段JSON，我设置了非常严格的提示词，要他直接输出代码而不要带任何的对话，但还是会时不时的输出一句“好的”，让我们猝不及防。话说回来，问题的关键从来不是“让模型更聪明”，而是当模型不靠谱时，你有没有一套机制兜住它。所以如果你打算包装自己为一个真正有经验的工程师，就需要把这个问题拆成一整套体系，而不是一句prompt优化。（回答思路放在了文末）我们可以...

攒人品中，祝大家都能拿到满意的Offer！1.构建训练数据时如何滤除低质量数据，如何保证数据中没有低质量数据2.你觉得pretrain的模型和distill的base模型在做sft时有什么区别3.sft时学习率是如何调的，如何做的消融实验4.直接用余弦退火学习率和加一个warm up有什么区别，加warm up的意义是什么5.如果计算资源有限，对于32b的大模型，如何快速找到最佳的超参如何设计高效的消融实验6.合成数据是用的什么模型，如何部署的，用的什么框架7.sft时用的什么框架8.讲一讲moe的架构9.讲一讲qwen3的moe10.你觉得deepseek的moe中的共享专家有什么用11.讲一讲ppo算法

1、自我介绍2、分词器你了解哪些分词器本质上是把原始文本切分成模型可以处理的 token 序列。不同分词器的核心差异主要在切分策略和词表构建方式上。常见的有基于词的分词、基于字符的分词、子词分词和字节级分词。在大模型里更常见的是子词分词，因为它可以兼顾词表大小和泛化能力。典型方法包括 BPE、WordPiece 和 Unigram。BPE 是通过不断合并高频相邻符号来构造词表，WordPiece 更关注合并后带来的概率提升，Unigram 则是从较大的候选词集合里不断删除低价值 token，保留最优子词集合。如果从工程角度看，分词器会直接影响序列长度、推理成本、跨语言表现和 OOV 处理能力。...

下面是美团今年春招的情况，跟前两年相比，首次没出现说招聘多少人。对比前两年就知道了，24年春招有4000hc，3000个25届暑期，1000个24届春招。25年春招有5000hc，4000个26届暑期，1000个25届春招。今年没说多少人，相比大家也都能知道原因，就是25年的外卖大战导致的，24年还能盈利358亿，25年净亏损243亿，一来一回差了600亿。但是你说美团还能不能投，我的答案是能，且必须要投，因为美团对校招生还是比较友好的，培养好，转正率高，容易landing。