简历分析案例-大四算法

结合最近辅助修改的简历及项目，老师总结了部分大模型微调简历的踩雷点。🙅‍♂️错误示范：在 x任务中，获取 xxx 条数据，通过规则 or 脚本清洗出 x 条数据，然后微调 y 大模型，在业务上提升 x 个点。✍🏻原因:大模型微调的平台是现成的，基模是现成的，体现不出核心能力。✅应该怎么写？首先介绍业务背景：业务是一个销售对话业务，机器人是销售，代替真人，直接面对用户。我们会给模型设定任务，任务是 prompt 。步骤1️⃣．提取训练数据问题：1.真人通话每通电话任务是未知的，我们训练数据是任务＋通话的 pair 对。2.真人通话很乱，与客户的对话是各种交叉的，导致 asr 后并不是一人一轮。解决方案：1.首先通过大模型 prompt 对该通电话提取任务，得到任务＋ pair 对。需要用到 cot + reflection ＋多 Ilm 一致性+ debating 的模式。2.使用大模型根据以上任务和真人对话，让大模型编写出通话内容。提问，为什么要编写而不是直接用？步骤2️⃣．制定训练数据集问题：1、正常的对话内容，前面几句和后面几句基本上一致的。都是问候和拜拜，但是也有一些差异。2、因为都是相似场景，虽然任务不同，但是很多场景语义很相似。解决方案：1、基于轮次的权重采样：通过轮次设定权重进行 weighting sample 。解决问候和拜拜的高占比问题。2、基于语义的采样：使用 bert 对对话内容进行 embedding ，然后使用层次聚类通过调节阈值聚类出相似语义的类。对一个类里的样本进行随机采样，提问，为什么要对重复语义的数据进行下采样？3、基于客户类型和产品的采样，因为很多产品是热品，导致对话内容有偏，用户类型一样，需按照类型调整整体比例采样。提问，为什么要这么采样？步骤3️⃣．制定训练数据集我们直接把输出当作 target 进行训练。使用的 lora 训练，但是 lora alpha 设定成为4倍的时候达到了比较好的效果，经验值不同任务不一样，提问，在各种情况下要怎么调？步骤4️⃣.dpo训练问题：v1版本训练时，很多输出内容是对的，但是输出的语气不太像真人，机器人味还是很严重。解决方案：由于训练本身是有 ground truth 的，因此使用v1训练的模型，预测训练集，使用大模型对比两者语气不符合训练集的拿出来，使用训练集的 ground truth 和模型的预测数据作为 dpo 训练对，对v1版本模型重新训练。📳这里老师只是简要进行概括解答，具体情况和详细解答可以咨询辅导，如果想了解项目辅导，提升面试能力，欢迎后台联系。    

虽然现在博士扩招这么猛，但感觉牛客上博士生找工的经验贴不多，所以写个帖子总结下最近找暑期实习的面试。从身边师兄师姐采样来看，我的文章水平基本也就是找个大厂的博士白菜，所以感觉自己的经验对广大群众会比较有参考价值。bg：双9直博做system的一句废话总结，普通水平的白菜博士生面试体验等于，普通的面试体验与和天少等面试体验的中间状态。优先度最高的是匹配度。即使是做system的博士生，很多时候做的东西对于生产环境来说直接意义有限（做lsmtree/rdma的同学当我没说）。低匹配度会导致面试官难以理解你的工作，进而难以提出有意义问题。双方兴趣度都会很低，聊不high。所以找各种师兄内推到小组是最...

base：深圳岗位：财务/运营/营销/其他偏数据处理的工作有没有hr捞捞呀，或者是路过的大神帮忙看看简历有什么需要优化的

告诉你只有实习生才知道的五个理由👀 理由1️⃣ 师兄师姐1V1带教，职场经验快速get 理由2️⃣ 公司学习资源丰富，为秋招积累知识储备（bushi 理由3️⃣ 团队扁平化氛围友好，没有加班文化 理由4️⃣ 上下班5分钟一趟的班车接送，躺着上班真的很city 理由5️⃣ 福利待遇一级棒，异地入职酒店补房补餐补交通补通通有 入职一个月 本infj已经狠狠舍不得走了😭 🟡 实习岗位是平台游戏运营（官网投递） 面试小tips： 1️⃣ 提前了解灵犀业务范畴及发展历史 2️⃣ 过往经历成果可量化、挖亮点 3️⃣ 游戏经历提前顺，新游热游要了解 🖼 团队氛围 负责带教的师兄师姐非常负责，工作上会...