暑期实习之MiniMax/蚂蚁的抉择？

个人背景：无实习，项目经验主要做KV Cache相关优化，诉求就是实习能学到硬核技术、对秋招助力最大化！Offer1：字节-推荐架构团队（抖音主站）✅工作内容主打LLM4Rec，做推荐大模型相关Infra，团队训推全栈涉及分配具体工作：推理场景超长上下文+超高QPS的KV Cache相关支持额外机会：后续感兴趣且有能力，可转推理框架方向，在vLLM里适配模型+优化，侧重算子和图优化✅优点大厂title亮眼；核心业务（抖音主站），有落地场景；算力充足❌缺点推荐大模型参数偏小；与大模型前沿技术不太沾边；偏向业务组，怕工作内容杂，担心学到的技术、积累的能力，和秋招纯大模型推理岗匹配度不高Offer2：蚂蚁-平台技术事业群-超级计算技术部✅工作内容偏中台，支持内部MasS平台，和业务距离较远基于SGLang做模型优化+部署，及时适配业界前沿模型；做PD分离相关工作，在Mooncake上优化开发核心分配任务：KV Cache优化，近期适配DeepSeek v4并做相关优化。✅优点技术更偏向业界大模型前沿，跟进最新技术速度快；组内有和SGLang合作开发的落地工作，技术栈纯Infra底层；组内管卡。❌缺点整体大厂title不如字节；怕实习生被画饼，没办法接触到真正核心的前沿技术工作。求有AI Infra实习/秋招经验的大佬们给点建议，到底该选哪个对秋招更有利啊🙏

1. 自我介绍2. 介绍你这项目，重点讲 LLM 部分是怎么设计的3. 如果让你从零设计一个对话 Agent 的流程，核心状态有哪些核心状态至少要有会话状态、任务状态、工具状态和记忆状态。会话状态负责当前轮的输入输出和上下文窗口；任务状态描述目标、槽位、依赖和是否完成；工具状态记录已经调用过哪些外部能力、返回了什么、是否失败和是否可重试；记忆状态保存长期偏好、历史事实和结构化摘要。很多对话系统看上去只是“多轮聊天”，实际真正难的是状态机设计，如果状态边界不清晰，模型很容易把临时信息写成长久事实，或者把上一个任务的中间结果错误继承到当前轮。4. 如果用户和 AI 对话时生成的问题本身有冲突，系统...

攒人品中，祝大家都能拿到满意的Offer！1.实习拷打2.为什么用lora？为什么Lora训练效率更高？3.怎么考虑类别不平衡问题的？有没有自动化解决类别平衡问题的方法？4.讲讲bert的原理和训练方法5.让你来做刷单套现这种交易类风控，你会怎么做？选特征到建模手撕：SQL：找每个用户最新一次登录用的设备的utdid算法：子集

快手—商业化—外循环业务，Java后端，做广告投放，类似短视频穿插广告百度—acg—分布式计算，Go，k8s，做GPU资源调度，涉及一点Agent，AI Infra提效个人倾向于转正率高的，不要太卷。uu们可以畅所欲言给点建议