1. 介绍下你实习学了什么 做过什么项目,为什么离职的2. MoE 为什么能在参数量很大的情况下还能把训练和推理成本压住，真正难点在哪MoE 的关键不是“参数变多了”，而是“每个 token 只激活一部分参数”。也就是说总参数量可以做得很大，但单次前向只走少数几个 expert，所以理论上计算量不会随着总参数线性增长。这个思路在大模型里很有吸引力，因为可以同时兼顾容量和成本。但真正难的地方是路由和负载均衡。路由器如果只偏爱少数 expert，训练会很不稳定，热门 expert 被打爆，冷门 expert 学不到东西。另一个难点是通信开销，尤其多机训练时，token dispatch 和 gat...

这个简历能去找实习了吗

一面时间：3.23自我介绍展开讲一下百度的实习（STAR法则）讲解一下图片的评测集是如何设计的评测执行中，有哪些自动化提效的部分agent skill做ui自动化实现细节？测试case的覆盖度如何，通过率大概多少badcase主要集中在哪些部分？针对badcase,解决思路是什么？你编写的功能脚本主要解决了什么问题？代码手撕：如果给你一个包含1000条数据的JSON文件，请你用Python读取它，并统计其中某个字段（如label）的分布，你会怎么做？反问环节。二面时间：3.24自我介绍展开讲一下百度的实习（STAR法则）你针对图片的评测标准如何构建？定义评测标准之后，是靠人去做吗，有没有自动化...