鼠鼠正在理想汽车进行测开日常实习，实习快一个月了，纯打杂，大部分时间都是刷板子，平台测试代码也有权限学习，我该怎么怎么投产出呢

1. BERT 模型的结构答：BERT 本质上是一个 Encoder-only 的 Transformer。输入由 Token Embedding、Segment Embedding、Position Embedding 三部分相加得到，然后经过多层 Transformer Encoder。以 BERT-Base 为例，模型参数通常是：层数 (L=12)，隐藏维度 (H=768)，注意力头数 (A=12)，前馈层维度 (4H=3072)。BERT-Large 则是 (L=24, H=1024, A=16)。每层 Encoder 的结构是：Multi-Head Self-Attention -&...

感觉看到很多讨论，春招岗位少，只剩下了非技术岗，但我的经历有点不同。秋招的时候，我经历了大量简历挂，甚至蔚莱我认为不是很大的厂，我都被很快拒绝。当时投的全部都是数据分析，最后只拿到了美的一个offer。这个offer我经历了快3个月，8月初就投，但是10月末才拿到。但是在春招，我一周时间就拿到了一个国企的算法岗offer，并且工资高于美的。也收到了其余的几家知名中厂的面试，同样是数据科学或者风险控制之类的技术岗。所以我感觉春招确实岗位少，但是整个流程却很快，看起来要求也会低一些。

1. Agent 工具调用你知道怎么训练吗？训练集应该包含哪些？怎么得到训练数据集？如果只是让模型“知道有工具”，那只需要在 SFT 里教会它工具名和参数格式；但如果想让它真的会用工具，训练集必须覆盖完整决策链路。至少要有三类样本：一类是该调用工具的，一类是不该调用工具的，还有一类是要调用多个工具且有依赖关系的。否则模型很容易学成“逢问题必调用”。训练数据来源一般有几种。最理想的是业务日志里已有高质量人工操作轨迹，把用户问题、检索条件、调用参数、返回结果和最终回复串起来。没有现成轨迹时，就要靠规则模板、专家构造、模型自蒸馏和人工校验混合生成。真正难的地方不在造正样本，而在构造反例，比如参数缺失...