实习内推｜蚂蚁2027暑期实习转正内推开始啦

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1️⃣切分策略（ chunk size / overlap ）怎么定的？拍脑袋还是实验出来的？2️⃣向量召回和关键词召回冲突时如何融合？3️⃣重排模型为什么这么选？延迟预算是多少？4️⃣你说线上提升2.1%，实验分桶方案是什么？5️⃣显著性怎么验证？样本量怎么算？6️⃣给一个你最失败的 bad case ，最后怎么定位的？7️⃣如果今天线上再次复现，你第一步看哪个监控？8️⃣SFT 数据如何清洗，怎么避免模板味太重？12) DPO 比 SFT 多解决了什么真实问题？9️⃣LoRA rank 为什么这么选？有没有做过 ablation ?1️⃣0️⃣QLoRA 稳定性问题你遇到过吗？如何兜底？1️⃣1️⃣手撕：括号生成，要求讲清楚剪枝逻辑。

这可能是目前 AI 面试中最拉开差距的一环。大部分求职者的简历上写着“通过优化 Prompt，提升了生成质量。”面试官往往会微微一笑，紧接着抛出一记灵魂暴击：“那你怎么定义‘质量提升’？你怎么用数据证明，你的 模型 跑得比昨天更好？”这个时候，如果你挠挠头回答：“我自己抽查了几条结果，感觉变好了……” 那基本就凉透了。正所谓乱花渐欲迷人眼，靠人工“抽盲盒”式的肉眼查验，很容易陷入“只看好案例（Cherry-picking）”的自欺欺人中。在真正的工程落地面前，这种“凭感觉”根本站不住脚。回答应该直接把 Eval（评估）体系拍在桌面上：“在修改任何一行核心逻辑或 Prompt 之前，我会构建一套...

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流实习项目拷打1. BN介绍一下？它的优缺点？什么时候用BN的效果不好？2.  交叉熵损失函数？为什么分类问题用交叉熵而不用MSE？3. RF和GBDT的区别？4. 梯度爆炸问题有什么解决方式？

emmmm 我就这样疯狂超时