手头有两份offer，一份是某互联网大厂的ios客户端实习，做自研ai的落地，组是新成立的，去了比较忙，应该能学到不少东西，薪资400加各类补贴。另一份是某浙江研究院，做国产操作系统在机器人上的移植，比较神秘，具体应该干一些杂活吧，薪资300。

1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.你如何评估大模型的性能？有哪些常用的评估指标？3.请描述一下你如何对大模型进行优化，以提高其性能和效率。4.你是否有过使用或开发大模型的经验？请分享一个具体的案例。5.大模型中的注意力机制是如何工作的？它在大模型中起到了什么作用？6.大模型中的优化算法有哪些常见的选择？它们各有什么优缺点？7.如何处理大模型训练过程中的梯度消失或梯度爆炸问题？8.在大模型设计中，如何权衡模型的复杂度和性能？9.面对大模型训练和推理所需的庞大计算资源，你有什么解决建议？10.请简述你了解的大模型的主要结构特点。11.reward bench上的reward model分哪几类?reward model如何训练的，训练目标是什么?13.dp0训练的损失函数和训练目标，dpo如何改进怎么理解大模型安全，包含哪些方面的内容？

项目经历之外，也问了基础和端侧 AI Agent 理解这场高通一面整体给我的感觉是，节奏比较平，先从自我介绍和项目经历展开，然后慢慢转到计算机基础、Agent 理解、岗位匹配度和实习安排这些内容。不是那种一上来就连续追问很深的底层细节，更像是在确认你的背景是不是和岗位方向对得上，以及你是不是具备继续做这类工作的基础。开头还是常规自我介绍。我主要讲了自己现在做的方向，包括 AI Infra、底层性能优化、算子开发、图优化这些，也讲了在一段 GPU 软件栈相关实习里做过的几类事情，比如算子性能优化、算子融合、稳定性问题排查，以及在学校里做过的一个量化推理 runtime 小项目。这里我还是尽量把重...