嵌入式Linux应用方向

1.讲解特征优化，有哪些难点，怎么评估2.怎么做特征处理3.介绍K-means量化，怎么做的多尺度4.怎么用的Parato优化，线上base比的谁5.介绍RQVAE，讲讲SID怎么用的6.RQVAE如何调参7.讲讲自己的三篇论文8.讲讲AUC（计算和物理意义），手撕AUC

1. 介绍一下项目2. 多头注意力机制的计算复杂度是多少？3.LoRA 的核心思想是什么？4. GRPO 训练时 KL 散度控制得怎么样？5. SFT 阶段如何避免对padding token 计算 loss ？6.训练 SFT 模型时 loss 出现剧烈震荡，你是如何诊断并解决的？7. Transformer 中为何使用 LayerNorm 而非 BatchNorm ？8. Transformer 里LayerNorm 放在 Attention 前还是后？有什么区别？9. logprobs 在一致性奖励中起什么作用？📳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。

1.自我介绍+项目拷打2.为什么在你眼里 GAUC比AUC更适合 CTR推荐?3.你是如何证明各模块有效的?4.过拟合在你的项目中如何体现?怎么缓解?5.Adam RMSProp Adagrad核心差异?6.问了些树模型相关的7.GBDT LR和 DNN区别8.高维稀疏场景下LR可能比GBDT好吗9.XGBOOST如何处理缺失值10.口头说下 infonce loss focal loss

最近秋招拿到offer的同学在问我一些offer抉择的问题，关于算法岗怎么选方向，尤其是业务岗和研究岗的区别。今天从几个维度聊聊这个问题。你的目标是落地还是探索？业务算法岗的核心价值在于解决问题，用成熟稳定的技术提升业务指标。日常工作围绕数据处理、特征工程和模型调优展开，最后通过A/B测试验证效果。岗位稳定、成果可量化是明显优势，但技术可能不够前沿，容易产生重复感。研究算法岗更像边界探索者，集中AI Lab这类部门。这里博士比例高，核心任务是做出比现有方案更优的算法创新，目标发表顶会论文。你能接触最前沿的技术，学术积累扎实，但成果不确定性高，压力也更大。你数全链路还是深钻型？业务岗需要全链路能力——懂业务逻辑、会特征工程、能上线部署，最终把技术转化为可量化的业务增长。研究岗则强调算法深度，要求扎实的数学功底和创新能力，更看重在细分领域的学术突破。如何选择？喜欢看到技术快速落地、享受清晰的业务反馈、工程能力强的同学，业务算法岗是更稳妥的选择。如果理论基础扎实、热衷前沿探索、能承受较高不确定性，研究算法岗的挑战和上限都更高，但要做好成果周期长的准备。不过研究岗可能有时候也需要做一点业务上的工作，这要根据部门实际情况来看。没有绝对的好坏，关键是匹配你当下的状态。业务岗是脚踏实地，研究岗是仰望星空，两者都在创造价值。选择前想清楚自己更看重什么，比盲目追求热门更重要。想了解更专业更具体的算法岗不同方向不同岗的要求，发展，前途等具体信息可以滴滴我本人拥有7年大厂算法岗经验，作为技术面面试官(含社招和校招)，看过上千份简历，已面试超过上百位同学，面试和被面试经验十足，同时在ECCV/IJCAI/NeurIPS等顶会上发表过多篇论文和ACM获奖竞赛经历。职业规划 业务算法 #研究算法