2026年03月24日 虾皮二面-数据平台全程50分钟。上来先聊了几分钟个人情况，为什么做后端，有没有学过大数据课程什么的。中间主要问问实习项目做的情况。做了什么，怎么做的，遇到的难题及解决，项目规模，所在部门。最后给个题，（提供了一段日志处理代码题）请计算字符串例子里面 HTTP 状态码是 200 的百分比。也不难。简单反问。春招第6面，就结束了。这次可能参考价值一般，没有八股，项目也没有问比较深入的问题，手撕的话也就纯字符串切片统计的模拟。这个面试官比较和蔼，没有什么拷打。部门具体名称不记得了，只知道是做什么集团内部数据平台的。更新：已挂。意料之中吧，问题不大。一面能过就很奇怪，本来在一面...

周五投了 tx，部门选的任意，今天来约面电话了，结果是 wxg，还是微信支付？？纯血 C++来捞我一个纯 java 的简历？？问我接不接受转语言，我说考虑转 go 但是从来没考虑转 C++，然后还是说让我面试尝试一下？？？说面试不会考语言。面试官是个女生，口音听着像台湾那边的现在看网上 WXG 的面经已经吓哭了，不会上来就让我写四道 hard 吧，hot100 选手已投降🏳️

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

DDPM 和 DDIM 的区别是什么？ 第一步：前置小知识（重参数化技巧） 在扩散模型中，我们最常用到一个技巧：如果你有一个符合正态分布的变量 （均值为 ，方差为 ），我们可以把它拆成：  这里的  是一个标准正态分布的纯噪声 。 直白点说： 任意状态 = 确定的基础值 + (随机噪声  噪声强度)。记住这个公式，它是贯穿整个推导的灵魂。 第二步：DDPM 的基础设定（从头到尾加噪） 在原来的 DDPM（去噪扩散概率模型）中，我们有一个清晰的正向加噪过程。 假设我们有一张清晰的图像（或者机器人的一个完美动作），叫做 。我们在它上面不断加噪声，加到第  步时，它变成了 。 DDPM 证明了一个极...