从夯到拉，

美团是我投的第一家，第一面是电话面，聊了四十分钟左右。技术问得不多，主要问了项目经历和实习时间。感觉还行，但也不敢抱太大希望。问得很实在，就围着简历深挖。我答得中规中矩，能不能过随缘吧，反正尽力了。

低压防爆电机作为一种专为特殊危险环境量身打造的电气设备，其重要性不言而喻。它主要应用于含有易燃易爆气体、蒸汽、粉尘或纤维的危险场景，工作电压相对较低，通常额定工作电压为1000V（或1140V）甚至更低。其核心优势在于，无论是在正常运行状态，还是遭遇故障（如电弧、火花或高温等突发情况）时，都能凭借卓越的设计和性能，有效防止电机成为周围爆炸性混合物的点火源，为化工、石油天然气、煤炭开采、制药等高危行业的安全生产提供了坚实可靠的保障。在当今全球工业发展的大浪潮中，低压防爆电机市场正展现出令人瞩目的增长态势，蕴含着巨大的发展潜力。根据权威机构QYResearch（北京恒州博智国际信息咨询有限公司）的...

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

985，算法方向，26届。昨天刚完成美团算法岗一面，趁热记一下，方便自己复盘，也给后面投的同学参考。 面试时长：约55分钟形式：视频 考察内容： 自我介绍后直接问项目，重点挖了分布式训练部分，问梯度同步机制怎么做的，参数服务器和All-Reduce各自适合什么场景。 算法题1：接雨水（LC 42），要求O(n)时间O(1)空间，双指针方案。算法题2：手写快排，要求随机化pivot版本，问为什么要随机化。场景题：给你一个推荐系统，新用户冷启动问题怎么处理，说了基于内容的方法和利用侧信息两个方向。反问环节：问了团队方向和实习转正比例。 整体感觉中等偏难，项目问得比较细，有准备的话不会太慌。 顺带说...