大模型应用or算法？

给我面没招了，发点面经攒攒人品～1.GRPO 和 PPO 在 RLHF 中的核心区别是什么？2.KL 散度在 RLHF 中的作用是什么？它的公式如何直观理解？3.vLLM 的核心优势是什么？它是如何通过 PagedAttention 提升显存利用率的？4.Qwen3 和DeepSeek-R1 在架构上有哪些关键差异？5.微调数据集的结构是怎样的？有多少条？数据清洗和有效性验证是怎么做的？6.奖励函数是如何设计的？7.怎么避免模型靠堆字数刷奖励？8. KV Cache 在长上下文推理中可能被污染，你们有做缓存隔离或清理机制吗？9.本地部署时，如何平衡vLLM 的上下文长度和显存占用？是否做过量化或动态批处理？10.手撕：乘积最大子数组（LeetCode 152）

针对大模型岗位，或者说针对基座模型研究的岗位，面试的时候，有被问过“你有没有做过模型的预训练？”可能很多人会很骄傲的说，我微调过，什么LoRA啥的，但其实这些都不是加分项。面试官真正想听的，也不是你烧过多少钱的GPU，而是：你是否知道训练过程中会遇到哪些坑，以及你是怎么解决的。预训练其实没有想象中那么贵放在几年前有BERT或者GPT-1的时候，其实预训练成本不高，哪怕放在现在，很多人以为预训练动辄几十万成本，其实完全没必要。以常见的A100 / A800（80GB显存）为例，现在云算力平台的价格大约在5～10元 / 小时。如果按6元计算，一天满负荷运行大概144元，一个月也就四千多块钱。如果只...

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.这个是一个报告生成场景，那我想知道这个报告具体是偏结构化的还是自然语言的？比如它有没有一个既定的schema？还是说用户输入什么都可以3.那这个报告的生成里是不是会依赖外部信息？你们是怎么做信息检索的？是提前召回好然后作为prompt上下文？那信息对齐怎么做4你说你们优化了全流程——这个‘流程’具体是怎么定义的？你在哪一块做了具体的性能提升5.你们这个项目有没有落在某个业务线里，你们上线之后是怎么度量它到底有没有带来收益的6你刚才说你们用了大模型自己去生成训练数据，那具体是怎么构建指令的7.比如有一个query，生成了3个candidate output，那你怎么自动判断哪个好哪个不好8.你们这个rankinglogic是靠rule还是另一个模型？有没有引入Reward模型9.那如果是生成负例，你们是怎么让模型生成‘看起来对但其实错’的样本的？比如你在做一个医学场景，模型生成错了你怎么知道它错在哪里10.自动评估那里你们评估维度具体是什么11.自动评估是在线构建样本时使用的对吧？那你们有没有做样本质量的统计分析？比如分布上是否足够覆盖edge case12.你们是怎么管理这些agent之间的状态的？是通过context传递？还是通过某种状态图建模13.如果一个Agent负责外部知识的query，另一个负责摘要，另一个做用户对话，那你是怎么确保这些agent协同的14.假设一个子agent出了错，比如检索召回错了内容，那整个流程会失败吗，你怎么来处理这一块的15.如果现在要你做一个电商客服agent，它需要推荐商品、解释优惠政策、同时处理投诉，那你会怎么设计16Function Calling有了解对吧？那如果我现在告诉你一个模型要完成任务，它可以选多个Function来调用，你觉得模型最难学的是哪个点？17.那你觉得怎么样让模型更灵活地调用function？比如是不是要把接口文档和调用示例都encode进去18.有没有做过multi-tool routing？比如用户query过来你需要在20个tool里选一个调用的，你觉得模型要考虑哪些维度来决策19端到端推理和模块化Agent推理你更看好哪种？你觉得大模型真的能在极长context下规划全流程吗28.手撕：给定一个二维数组（矩阵）要求按照螺旋顺序输出所有元素

在 AI 行业中，语音不像纯文本那样“看得见”，但一旦出现延迟、卡顿、识别错误诸类问题，用户马上就能感知。避免这些问题的发生，即是语音大模型研发岗的职责。一天一个AI岗位介绍，今天拆解的岗位是：AI语音大模型服务端研发工程师。一句话总结就是：让语音大模型在真实企业场景里，稳定、低延迟、可规模化运行。不是做模型论文，也不是只写接口，而是将 ASR、TTS、大模型推理服务跑在企业客户的业务系统里。一、这个岗位到底在做什么？JD 可以拆成三条主线：架构搭建、模型工程化、ToB 场景落地。1️⃣ 语音 AI 服务架构设计（核心工程）这部分的关键词是：高并发、低延迟、稳定性、分布式你要搭建的是：企业级语...