9.27字节后端一面1h

二周目复活时长怎么这么久这条命一定好好玩不浪了    

1. go基本八股，有线程和协程的区别（我答的一般，感觉这里可以联系gmp），三色标记法，如何通知goroutine让其关闭，map的底层结构2. mysql基本八股，几种并发问题，对应怎么解决的，索引的结构，你是怎么建立索引的等等（记不太清了）3. mysql执行一条语句的时候突然变得很慢，如何去优化，列举一下可能的原因4. gin框架为什么快5. redis的基本八股，几种数据结构，zset底层6. 问简历上一些项目相关的技术以及具体实现7. 手撕插入区间，思路没问题，但是边界没处理后越界了二面当天就约了二面，我给推到下周一了。二面问的也不是特别难，可以说是八股进阶吧。1. go八股必不可...

大模型幻觉（Hallucination）是指模型生成与事实不符、缺乏依据或逻辑混乱的内容，其产生根源可从多个维度分析：数据驱动缺陷训练数据的噪声与偏见：大模型依赖海量互联网文本训练，而网络数据本身包含错误信息、主观偏见、过时知识甚至虚构内容。模型无法辨别数据真伪，可能将错误模式内化为“知识”。长尾知识覆盖不足：即使训练数据规模庞大，某些冷门领域或细节知识仍可能缺失。当模型被迫生成此类内容时，可能通过“脑补”填补空白，导致虚构。数据时效性滞后：模型训练存在时间差（如GPT-4数据截止到2023年10月），无法获取最新事件或研究成果，可能生成过时信息。概率生成的本质：模型通过最大化token预测概率生成文本，目标是“流畅合理”而非“真实准确”。当高概率路径与事实冲突时，模型优先选择语言连贯性。缺乏现实世界感知：模型仅学习文本间的统计关联，缺乏对物理世界、因果关系或社会常识的深层理解。例如，可能生成“太阳从西边升起”的合理句式，但违背常识。自回归生成误差累积：生成过程逐步依赖前文，早期错误（如错误的前提假设）会导致后续内容偏离事实，形成“幻觉链”。训练目标与评估偏差损失函数局限性：训练时以预测下一个token的准确性为目标，未直接优化事实正确性。模型擅长模仿语言模式，但缺乏事实核查能力。缺乏显式知识验证机制：传统架构未内置实时知识检索或逻辑推理模块，无法在生成过程中交叉验证信息真实性。应用场景的复杂性模糊性指令的过度泛化：当用户需求模糊（如“写一篇关于量子物理的论文”）时，模型可能虚构术语、引用不存在的文献以完成响应。对抗性提示诱导：特定提问方式（如“请描述历史上不存在的某场战争”）可能触发模型的创造性生成模式，混淆虚构与事实边界。缓解幻觉的常见策略知识增强：引入检索增强生成（RAG），实时调用权威数据库辅助生成。强化对齐：通过RLHF（基于人类反馈的强化学习）优化模型对“真实性”的偏好。不确定性标注：让模型主动标记低置信度内容，如“据某些资料显示…”。            

C++：类成员函数后加 const 和 final 关键字分别代表什么如果基类析构函数没有声明为虚函数会造成什么问题浅拷贝和深拷贝的区别（举例说明）重写和重载的区别静态库 .a 和动态库 .so 的区别从数据结构角度分析堆、栈、队列的区别map 和 unordered_map 的区别LeetCode：无序数组的中位数（类似 <数据流的中位数 No. 295>、要求 O(n) 时间复杂度、提示：快速排序）分割等和子集（No. 416）