被横向挂了，希望发出来对大家有帮助！八股：1.RMSNorm2.Adamw和Adam的区别，好处是什么3.transformer的效率优化的地方，介绍以下KV cache4.你还了解哪些多模态大模型？5.Transformer有几个残差连接，分别在哪？6.pre-norm和post-norm的区别7.Lora的原理；矩阵的秩怎么取；矩阵如何初始化；会引入额外的耗时吗？其它的参数高效微调方法1.双塔模型的了解；clip的损失函数；clip为什么效果好；基于clip的工作2.clip相比llava这种全交互结构，差别在哪里？性能差异大吗？为什么？如果llava没有超过clip，是什么原因？3.clip和llava的图像编码器有区别吗？4.Qwen的训练流程，每一步的训练数据差别，为什么三阶段而不是二阶段手撕：零钱兑换

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.大模型的scaling law2.FP16;FP32和BF163.讲讲lora4.开放性问题：谈谈对当下大模型发展的理解，以及ai工具使用情况。

项目 pytorch特点模型训练流程tp/dppython语法糖c++语法糖挂了😭

攒人品中，祝大家都能拿到满意的Offer！1. 项目深挖2.实习拷打3. sft的loss4. grpo了解程度，深入介绍5. 代码题：对流式输入的字符串进行过滤输出

📍面试公司：博世🕐面试时间：2026.3.31💻面试岗位：AI开发工程师❓面试问题：第一面面的技术，第二面和技术相关的内容很少，更多从公司方向，真实的场景来进行提问，更多是为什么选择这个技术？你们团队之前用的是什么技术？为什么？你们如何确定的技术栈使用？你接触过的公司和团队，他们在AI领域如何去改善工作流程的？🙌面试感想：感觉整个团队和leader都是很友好的

攒攒人品！有面试过同岗的朋友欢迎评论区交流项目：1. 意图识别具体分哪几类？是怎么做的？2. 如果是多意图该怎么处理？（单标签 vs 多标签分类）3. 场景题：动态意图问题：某个关键词词意图随时间/热点变化，模型如何适应？4. RAG在意图识别的作用5. 3B模型大流量场景下，有什么办法既能利用3B模型的效果，又不需要实时推理？6. vllm技术优势 为什么推理性能好1. 为什么选Qwen做裁判？有没有做过不同模型版本、参数的消融实验？交付指标是什么？3. dpo的正反馈样例具体指什么？是人工标的还是线上的？4. SFT后做DPO：DPO和RLHF（PPO）的区别是什么？5. 如果没有 Reference Model（参考模型），去做RL/DPO训练，会产生什么后果？（考察：KL散度约束的作用，防止Reward Hacking和语言崩坏）。八股1. DeepSeek-R1：熟悉吗？它的训练或结构创新点是什么？ （r1-zero 和 r1）2. GRPO：GRPO和PPO的区别？3. 在RL中，如果模型每次Rollout都随机不出正确答案（一直0分），导致训练停滞，该怎么解决？Lc 239 滑动窗口最大值

整体面试还是不错的，但是没后续了，不知道是哪里出了问题Q1:项目中说到了从claudeADK迁移到GeminiAPI.为什么.Q2:如果有个无限长上下文的模型，是否可以把所有信息都放到上下文?Q3:场景:一个有很多内容的需求文档，是否可以把整个文档放到上下文中，让模型直接实现?Q4:如果分模块输入，agent是否会对整个需求没有认知,导致做出来的成果不符合预期?Q5:用过哪些codeagent?Q6:你觉得claudecode和cursor分别适合什么样的任务?Q7:cursor用过什么skill觉得好用?Q8:了解过spec-drivening的code agent吗?Q9:了解上下文压缩机制吗?Q10:为什么压缩前70%?最开始的几轮对话明确需求不是很重要吗?Q11:你觉得以后的软件工程会变成什么样?

发点面经攒攒人品～1. 实习拷打2.项目拷打3. 你使用的模型在实际场景问答、翻译中效果如何？是否遇到过性能问题？4. 简述了一款你熟悉的大模型（如 Qwen）的架构特点（如注意力机制、激活函数），与其他模型（如 BERT、Grok）有何不同？5. 密集模型和稀疏模型（如 Mixtral）在训练和推理上各有什么优劣？6. 业界如何处理长序列输入（如对话历史、文档分析）？你用过的模型是如何实现的？7. 稀疏模型（如 MoE）在实际使用中有哪些难点？你了解的某个 MoE 模型有哪些亮点？8. 如何提高大模型生成的准确性和一致性？有哪些常用方法或经验？9. 简述强化学习在模型对齐中的作用，常见的算法（如 REINFORCE、A2C，DRPO）有何特点？10. 请设计一个简单的损失函数，用于改进模型生成质量，并说明其作用。11. 代码题- 实现一个简化的 Multi-Head Attention 模块，支持批量输入。- 「53. 最大子序和」，要求 O(n) 时间复杂度。

继续来分享下最近的面经攒攒人品～1. 项目模型选型 qwen的技术报告2. 场景下为什么选用DPO，卡和资源环境3. 实验设计题：长文本预训练，设计实验找出 不同数据源 不同语料大小下 loss收敛和不收敛的原因4. SFT和RL两阶段的意义5. 看的工作，sota6. 有什么想讲的 highlight的点 ， 有什么想问的

✅ 春招备战指南 ✅ 💡 学习建议：  先尝试独立解题 对照解析查漏补缺   🧸 题面描述背景等均已深度改编，做法和题目本质基本保持一致。 🍹 感谢各位朋友们的订阅，你们的支持是我们创作的最大动力 🌸 目前本专栏已经上线200+套真题改编解析，后续会持续更新的  春秋招笔试机考招合集 -> 互联网必备刷题宝典🔗 携程-2026.03.29-算法岗 这套算法岗和开发岗共享了 3 道通用题，中间夹了一道更偏计算实现的注意力题。前两题还是热身节奏，第 3 题需要把整套流程按矩阵规则完整落地，第 4 题继续是数论跳跃。 题目一：字母 a 的位置 固定长度、固定字符集，直接顺扫即可，是明...

祝大家都能拿到满意的Offer！1. 项目拷打2. 实习拷打3. 介绍一下Reward model在训练中扮演了什么角色？4. 100页的pdf文件格式化后有多大？5. Qwen的模型结构了解多少？6. 安全生产的项目怎么评估的？1）传统指标：acc、rouge-L、berscore 2）模型打判 3）规则匹配7. 造好的数据，怎么做数据配比，如何评估数据质量？8. DPO是怎么训练的？9. 算法题：最长回文子串

被横向挂了，希望发出来对大家有帮助！1. Lc3 不含重复最长子串2. 概率问题: 扑克牌3. 前沿技术关注，paper4. 模型幻觉 解决方法，什么是模型幻觉5. 样本构建质量6. 数据飞轮8. Badcase 在预训练阶段的问题 还是后阶段的问题，是不是模型能力不足9. 日常生活大模型的应用，以及模型对比

继续来分享下之前的面经，攒攒人品1. 过项目2. 介绍一下CLIP3. 了解LoRA吗，LoRA微调的原理是什么4. 了解哪些多模态大模型，简要介绍几个5. BLIP的三个损失函数分别是什么，数据是怎样清洗的6. BLIP2相对于BLIP有哪些改进，BLIP3又有哪些改进7. Qwen-VL的三个训练流程分别是什么，有什么作用8. 视觉编码器和LLM连接时，使用BLIP2中Q-Former那种复杂的Adaptor好还是LLaVA中简单的MLP好，说说各自的优缺点9. 代码：实现多头自注意力

发一下问题给大家参考，攒攒人品！1. 什么是MHA2. Attention运算公式3. 为什么除以根号dk4. 介绍现有相对位置编码和绝对位置编码的异同点，都有哪些结构5. RoPE的结构6. RoPE相比于绝对位置编码的优势是什么？为什么外推性更好？7. 为什么RoPE理论上可以无限外推？8. RoPE为什么可以利用绝对位置和相对位置的优势？9. 介绍RAG项目（基座模型是什么？几b ？全参微调用了多少卡？数据多大？问答对的形式有图片吗？10. 对RAG的理解是什么？为什么要用RAG？11. BGE模型的结构12. 什么是LoRA？有个两层神经网络，参数1万*一万，低秩r =100， LoRA参数量是多少？13. 为什么用KV Cache？14. KV Cache有哪些优化方法？15. 文生图/图生文结构了解吗？文生图的怎么解码的16. CLIP了解吗？17. Deepseek MOE架构路由机制的细节18. 场景题21. 手撕：快速排序

二面偏闲聊一点，求offer攒人品中，有面试过同岗的朋友欢迎评论区交流1. 实习拷打2. 日常大模型的使用 ， 对快手的了解3. 电商场景下客服工具的挑战性4. 使用代码框架 python版本 编译器用的啥 有没有有啥提升代码效率的工具 git命令

继续来分享下之前的面经~欢迎友好讨论，信息共享1- RAG痛点2- 检索精度与召回率的平衡（如chunk粒度优化） 如何解决多跳推理问题？3- 知识更新机制（小红书UGC内容高频更新如何应对4- LLM针对RAG的优化5- 是否用LLM直接生成Embedding？如何解决生成式检索的稳定性6- 提示工程优化（如HyDE技术在小红书的应用场景）。7- 幻觉问题8- 检索结果置信度过滤方案？是否引入知识图谱作为验证层9- 检索污染处理10- 用户生成内容（如错误美妆知识）如何清洗？实时性（如突发谣言）如何应对11- 图文对RAG产品设计12- 多模态检索方案（图文联合Embedding vs. 分离对齐）13- 如何将用户评论/标签纳入检索增强

整体面试还是不错的，但是没后续了...1.实习拷打项目拷打1. 提点的基础2. 上线qbs3. 数据处理流程，测试集处理流程4. 为什么选择vllm 有调研过其他的吗5. 项目最复杂的点，业务中最复杂的caselc56 合并有序区间

给我面没招了，发点面经攒攒人品～1. 项目拷打2. Embedding优化- 如何通过预训练/微调提升效果？对比过哪些模型- 参数量与效果的关系？是否尝试过蒸馏或量化？3. RAG车端项目- Pipeline中如何解决低延迟问题？Intent分类的标签体系设计逻辑- Rewriter是否引入强化学习？如何评估改写后的query质量？4. LLM对Embedding的影响- LLM的文本理解能力是否降低了对传统Embedding模型的依赖？举例说明。- 大模型在传统任务（如文本分类）未涌现的原因？（数据分布/任务形式差异）5. LeetCode：卡塔兰数推导（递归公式 + 动态规划实现）

攒人品中！ 1.介绍实习项目中主要负责的工作2.论文拷打3.项目拷打4.讲解原始 RoPE 的原理5.讲解 GRPO 的实现方式6.讲解 PPO 和 DPO 的相关原理7.讲解 Transformer 的 Encoder 和 Decoder 相关内容，包括 Encoder 的模块组成8.定义 rag 中召回率的计算和评判标准9.讲解 MHA 中 Q 的定义， Attention 计算过程10.说明 MHA 采用多头设计的原因11.对比 Encoder 和 Decoder 的主要区别12.讲解 MQA 和 GQA 的相关原理13.手撕：最长括号序列