阿里 大模型算法一面实习分享

给我面没招了，发点面经攒攒人品～1. 实习拷打2. 选了一个大模型项目进行深挖3. 这个项目里你真正主导的部分是什么？4. 你这个项目到底解决了什么业务问题？原来人工是怎么做的，痛点在哪？5. 你这个 Agent 是问答型、决策型，还是执行型？边界是什么？6. 从用户输入到最终输出，你这套系统的真实链路是什么？7. 哪些环节必须用大模型，哪些环节不用大模型也能做？8. 如果不用 Agent，只用规则、检索、模板 SQL，能做到几成效果？为什么还要上 Agent？9. 你的知识源具体是什么？API 文档、日志、DDL、Wiki 这几类数据里，最难处理的是哪类？10. 你们知识入库前做了哪些预处理？这些步骤分别在解决什么问题？11. 你为什么把 chunk 设成 512？和 128、1024 相比，各自的 trade-off 是什么？12. 你怎么区分“模型上下文长度”和“知识切片长度”这两个概念？13. 如果 top-k 已经召回了正确证据，但模型还是答错了，你怎么判断问题是在检索、排序，还是生成？14. 如果检索结果本身互相冲突，或者证据不充分，你怎么约束模型？15. 你为什么选 QLoRA，而不是全量微调？16. 你这里的 SFT，本质上是在教模型什么？是教知识、风格，还是行为边界？17. 你做 DPO 的时候，chosen 和 rejected 是怎么定义的？18. 如果 chosen 和 rejected 差异太小，会发生什么？19. 你怎么证明 rejected 真的是有效负样本，而不是误杀？20. 你这个 LLM-as-a-Judge 是怎么设计的？rubric 里哪些维度是硬门槛，哪些只是加分项？21. 为什么要做一致性检测 / swap consistency？它防的是哪类偏差？22. 你怎么做 ablation，证明提升真的是 RAG、SFT、DPO 或 Judge 带来的，而不是别的变量？23. 手撕代码  动态规划24.开放题把DPO 跟Judge 思路迁移到一个视频二创场景：如果目标是让模型扮演某个角色，比如孙悟空，你怎么构造 chosen 和 rejected？视频质量和音频质量如果也跟进的话优先级怎么定？

流程挺快的, 一面和二面的间隔大一点, 二面完几分钟就三面了1. 自我介绍2. 实习拷打 大部分时间都在实习上 总时长感觉1小时左右, 一半的时间都在问实习3. 特征筛选如果不只看相关系数，你会怎么做特征筛选不能只看单变量相关性，因为很多特征单独看不强，但和其他特征组合后才有信息量。更稳的做法通常是先做业务分组和统计稳定性检查，过滤掉高缺失、高漂移、强泄漏和强共线的特征；再结合树模型增益、置换重要性、SHAP 分析和线上可用性做二次筛选。对大模型应用相关任务，还要额外关注特征是不是把未来信息泄漏进来了，比如用到了答案后的行为、后验标签或者系统回写字段。真正好的特征不是“看起来复杂”，而是对目标...

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）

选择考了一堆408，全都忘干净了算法还没有试过acm模式，惨遭0ac1.无向图对应最小生成树MST，有向图对应的是最短路径最小生成树（没有环且所有边的权重之和最小）必须是无向连通图，带有权重，两大经典算法prim算法和kruskal算法有向图的核心算法有dijkstra floyd Bellman-Ford2.信号量 pv操作信号量是解决进程线程同步和互斥问题s代表着资源，p操作（wait）申请一个单位资源，将信号量s减1，如果小于0的时候就阻塞，加入等待队列，v操作是释放一个单位资源，将信号量+1，释放完资源后若s小于等于0，唤醒一个进程常用来解决互斥问题，保证同一时刻只有一个进程访问临界区...