B端产品的后端

岗位名称：推荐算法面试时长：1h+自评分：7/10是否下一轮：待通知一、检索与排序在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？（追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？为什么在实际系统中要做混合检索？Sparse 检索和 Dense 检索的基本原理分别是什么？（追问）两种方式在长尾 Query 上的表现差异如何？Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？（追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？在你...

距离春招还有一个月，我属于天崩开局但精神状态稳定那一挂。计划表写得很满：算法、项目、八股一个不落；实际执行：刷两题就开始怀疑人生，然后去牛客看面经找心理安慰。不过没关系，春招嘛，主打一个边焦虑边假装自己在准备。

这绝对是近期最硬核、也最反直觉的 AI 硬件新闻。在这个满世界都在拿 GPU 算力说事儿，拼命追求大模型通用性和灵活性的时代，多伦多一家成立不到三年的初创公司 Taalas 丢出了一颗深水炸弹：他们选择放弃一切灵活性，把 AI 模型直接硬编码进了芯片物理层。突破“内存墙”的极端解法搞底层架构的同学都知道，现在的 AI 计算碰到了一个硬边界——内存带宽瓶颈（Memory Wall）。模型越来越庞大，要把几百亿参数在显存和计算单元之间来回搬运，耗费的时间和能耗，早就远超矩阵乘法计算本身了。Taalas 的破局思路简单粗暴到了极点：既然每次算的东西结构都一样，凭什么还要搬来搬去？直接把权重存在晶体管...