科大讯飞线下面试

1.完全是项目交流，非常对口的实习经历2.实习中你主要负责哪一部分3.对于大模型的回答，效果是怎么评估的4.交付指标是什么？中间有哪些迭代过程？5.基座模型baseline是多少6.微调使用的数据量有多少，是怎么处理这些数据的7.Badcase分布怎么样？优化方案能覆盖哪些badcase8.人工分流具体是怎么做的9.GRPO奖励怎么设计的10.为什么不考虑训练一个reward model11.语义等价问题怎么处理12.项目是否上线？有什么反馈？13.该项目如果继续做二期的话，你认为有哪些点可以做14.强化学习on-policy vs off-policy 的理解与适用场景？15.研究和落地你更偏好哪一个

1. 详细问了简历上的项目和实习！2. 问了推理加速的项目（实习中做的），线上请求的QPS有多少，模型推理速度如何？用的什么显卡？推理加速是怎么做的？3. 问了一些关于多模态大模型的内容（简历上有），比如模型结构，模型如何训练的，模型在线上指标如何，不同模态如何对齐等？4. 问了一些关于RAG的细节（简历上有），如何评估RAG的效果，做了哪些改进等？5. 八股的话，问了个transformer中为什么注意力机制除以根号k以及lora的原理

“如果想要去ai相关的岗位实习，需要先学习什么内容，可以给个学习路线吗（比如先要学习什么做基础然后学到什么程度之类）。”这是很多同学想了解的问题,我浅谈一下自己的学习路线，仅供参考。阶段一：打好地基 🧱Python编程：重点掌握核心语法、数据结构和面向对象（OOP）思想。目标：能熟练使用Python解决问题，至少刷完LeetCode简单和中等难度的题目。数学基础：理解高数、线性代数、概率论的核心思想。目标：不要求背公式，但要懂原理。阶段二：迈入核心 🧠机器学习基础：学习监督/无监督学习、分类、回归等经典理论。目标：熟练掌握NumPy、Pandas、Scikit-learn这“三件套”，能独立完成一个简单项目深度学习入门：理解神经网络（NN）、CNN、RNN等核心概念。目标：推荐PyTorch框架，并能搭建一些小项目。阶段三：垂直深耕 🚀针对心仪岗位（以AI Agent为例）针对学习，了解相关岗位需求大语言模型 (LLM) 基础：核心是理解Transformer模型原理并学会如何调用GPT等大模型的API。Prompt Engineering：学习如何写出高质量的提示词，让LLM精准理解你的意图Agent开发框架：重点学习LangChain或LlamaIndex。目标：能用框架调用LLM、连接外部知识库或工具，并搭建一个简单的应用阶段四：动手实践 💻项目是简历的敲门砖！ 可以利用前几个阶段学习的内容写一个小项目，将代码上传到GitHub，并写一份清晰的README文档，可以成为你面试时的Demo。可能很多时候一开始摸着石头过河会有点迷茫，但最重要的是一定要多动手、多实践

rag项目的流程embedding用的哪个模型 多少空间的为什么用websocket，不用SSEwebsocket和http区别http怎么变成有状态的加权分数是怎么设计的如何评估你这个加权权重是最好的prompt设计的规则分块策略是怎么设计的Kafka的作用为什么要异步？同步不行吗解耦什么意思文件上传的流程redis在项目是干什么的为什么用redis存储聊天记录，不用MySQredis持久化方案Linux常用命令kill9和kill15区别查看进程占用端口命令手撕:K个升序链表合并(死在实例化链表上了之我想让面试官提示我一下，他说他只会py和go)