多模态大模型和传统的文本大模型哪个岗位多？

1.了解搜索推荐相关内容吗2.例子库的创建流程3.query改写用了什么模型 为什么不用大模型4.三路召回如何做的5.为什么还要多模型做微调 数据量是多少6.deepspeed了解么如何做的7.ragas评估指标 评估流程 数据如何获取8.线上评估指标数据如何构造9.agent表格数据如何增强的 数据量是多少10.多 agent如何如何做的协作11.如何提取复杂表格信息12.如何做的 sql安全检查 检测率为多少13.上线了吗 线上如何评估 使用量是多少14.r1模型有了解么 说一下流程15.grpo算法说一下 ppo和dpo16.算法题:求根号下的数(二分)

我觉得首先得好好学习python，而且python真的很简洁高效，人生苦短，得用python嘿嘿，还有python中的Flask要掌握了，就像Java中的spring boot一样还有就是基础知识啦，弄明白Transformer架构，也不用你推导公式，把每个细节都弄清楚，知道Encoder/Decoder是干啥的就行，明白什么是Embedding(词向量)。不懂的地方去OpenAI、DeepSeek或者阿里的千问这样效率贼高

除了Java，当下最值得投入的技术方向绝对是大模型相关技术——它不仅是AI时代的核心风口，更能与Java后端开发形成强大互补，让你的技术栈从“单一开发能力”升级为“智能应用落地能力”。对Java程序员而言，大模型技术并非遥不可及的“纯算法领域”，反而有大量贴合后端场景的落地路径：比如学习大模型API调用与二次开发，用Java对接GPT、文心一言等模型，快速实现智能客服、文本摘要、代码生成等功能，让传统后端系统具备“智能交互”能力；再比如深耕大模型应用开发框架（如LangChain、LlamaIndex），结合Java的高并发、高可用优势，搭建企业级RAG（检索增强生成）系统，解决知识库问答、文档分析等实际业务需求；若想进一步深入，还能学习大模型部署与优化技术，比如用Java+Docker实现模型容器化部署，通过量化、蒸馏等手段提升模型运行效率，适配后端系统的性能要求。如今，从互联网大厂到传统企业，都在推进“大模型+业务”的转型，掌握大模型相关技术，不仅能让你在Java开发岗位中更具竞争力（比如参与智能办公系统、智能风控平台等新兴项目），还能打开“AI应用工程师”“大模型开发工程师”等高薪岗位的大门，成为横跨后端开发与AI落地的复合型人才，在技术迭代浪潮中牢牢站稳脚跟。

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1. 实习介绍2. 项目拷打3. 4B的模型部署需要多少显存？怎么算的？4. （项目）LoRA的数据怎么来的，结构长啥样？5. 说一下LoRA的原理；怎么理解“低秩”（r为什么远小于d）6. 了解Agent吗？说一下你做过的Agent workflow的具体流程7. 说一下LSTM的原理；其中门控机制提出是为了解决什么问题？8. 手撕代码：多头注意力；约瑟夫环