腾讯大模型实习一面 1h

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.在微调大模型时，你使用过哪些框架？它们的优缺点分别是什么？3.CLIP 模型的 zero-shot 能力是如何实现的？它在多模态任务中的应用有哪些优势？4.Transformer 中 Pre-Norm 和 Post-Norm 的设计差异是什么？对模型训练稳定性和性能有何影响？5.在生成式大模型中，为何通常采用 Decoder-only 架构而非 Encoder-Decoder 结构？6.请描述大模型中自然语言理解模块的具体实现方案，包括语义解析和意图识别的关键技术。7.针对 Transformer 模型推理过程，你会采用哪些优化手段？8.请阐述RAG的核心原理，并说明如何通过 RAG 缓解大模型的幻觉问题。9.vLLM 框架的核心优化原理是什么？其在动态批处理和显存管理上有哪些创新设计？10.请对比 RLHF、PPO、DPO 算法的技术差异、优缺点及适用场景。

1. 你们线上大模型应用的整体架构是怎样的？常见架构就是这几层：用户请求先进入 API 网关，再到业务服务层。业务服务层负责鉴权、限流、Prompt 拼装、会话管理、工具编排。如果有知识库，就先走检索链路；如果要调外部能力，就走工具调用；最后把上下文交给大模型生成结果。生成结果出来后，再做内容过滤、格式化、日志落库、监控上报。核心链路一般是：用户请求 -> 业务编排 -> 检索/工具 -> 模型推理 -> 后处理 -> 返回结果2. 你们怎么做 Prompt 工程？Prompt 不是简单写一句提示词，而是模板化管理。常见做法是把 Prompt 拆成几部分：syst...

被横向挂了，希望发出来对大家有帮助！1.实习拷打2.项目拷打3.unet最重要的组件4.transformer原理5.为什么除以根号d6.lora细节7.什么场景下更适合lora8.最近遇到的最大的困难是什么 怎么解决的9.手撕 leetcode 82

面了十多家公司，拿了大厂和中小厂的实习offer，也踩过不少面试的坑，发现很多C++同学不是技术不行，而是回答方式不对、踩了面试官的雷区，明明会的知识点，一说就错，明明能拿分的问题，直接答崩。其实C++面试，尤其是实习面，面试官不仅看你会不会，更看你懂不懂职场规矩、思不思路清晰、靠不靠谱，分享几个我踩过坑后总结的回答思路，还有高频坑点，记住这些，至少面试不丢分，甚至能加分。一、技术题别只会“报答案”，要会“讲逻辑”这是最容易踩的坑，也是C++面试最核心的点，面试官问技术问题，不是考你背题，而是看你理解底层、能落地、会思考。比如问你“为什么用shared_ptr而不是裸指针”，别只说“防止内存泄...