杭州薛定谔猫面试

1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

这是我在BOSS遇到最有人性的hr，他的鼓励简直让我这么久人机般投简历来，最感动的一次，真的好想进这家公司啊😭😭😭

面试官说八股招过来的存在能力不足的现象，此次面试以项目面为主，加粗的是我没准备好怎么回答合适的自我介绍，提到实习带来的成长介绍公式编辑器的动机、调研、技术栈的确定、数据结构设计、渲染器设计有没有想过优化构建速度（这个真没有）；继续介绍数据结构的扩展问题、可扩展导出逻辑带入变量值、给出计算结果（我觉得这个需求不是一个公式编辑器该做的）；内置公式模板（这个难度不高）；看目录结构设计、对 Taro API 的跨端封装、配置文件；代码生成脚本日志记录器需求、展示已经存储的字段；打开 UI长列表有没有做性能优化（这个 Flutter 内置）；让你做一个原生性能优化怎么做（提出一个分 chunk 请求与加...