实习还是秋招，大模型

四月过去快一半了，也面了几家了，明显感觉到这些中大厂业务部门的所谓算法分成三种不同的态度：1. 画饼，团队本身之前的算法工程和大模型其实不怎么沾边，说是有一些“预研”的东西，但还是以维护历史包袱、保证现有业务和ai能力的交付为主，所谓的“预研”无论从技术难度还是从落地成本的角度来说都是极大的未知数，实习生要么碰陈旧业务和前沿脱节，要么扎进未知领域用几个月搏产出，风险极大。2. 从已有落地技术角度出发，考虑Anthropic等公司在vibe coding等场景的成熟经验，尝试融入到现有产品方案中，缺乏整个商业模式的逻辑闭环，大多只是为了蹭技术热点强上功能，把已有的成功案例吸收进产品，再反过来论证这个功能本身有用，这样虽然稳妥、可以保证产出一定的功能，但目标本身有盲目性，没有论证功能本身的价值就去跟风实现，长期来看有负产出的风险，对于实习生来说倒是无所谓，至少能有些产出。3. 从自身产品定位、已有商业模式出发，用新的ai技术优化效率和体验、强化已有的产品地位，需要在垂直领域落地走在最前沿，这种策略眼光比较长远，相比于第一种，区别在于团队整体方向都转向了，要把ai能力深刻融入到旧业务中，保持并扩大竞争力，缺点是发展是长期的、阶梯式的，短期内的探索可能也和api boy没什么区别，做做工程性的兜底工作，这部分完备了之后再从模型层面优化上限，适合实习+转正一直干下去，深耕垂直领域。本来应该还有第四种，就是完全的新业务、新技术，没有历史包袱，直接切入前沿，不过这种一般都在初创或独角兽，中大厂还没见过这样的，这种对应届生来说太赌了。不做基模的算法工程师，完全是在产品、工程、算法的夹缝中生存，“业务部门做模型”一方面需要公司的算力资源分散到具体业务部门，另一方面方案中永远有sota闭源模型api作为对比，用有限的资源在模型能力的长跑中跑赢头部基模厂太难，真的有志于炼丹的同学还是要想尽办法挤进基模组，否则就要做好“算法工程但和前沿大模型研究没什么关系”的心理准备。

如图，求任何建议。

发点面经攒攒人品～1.Pretrain 和 SFT 分别解决什么问题？2.Transformer 的基本结构怎么理解？3.多模态模型的大致结构是什么？最容易踩坑的点通常在哪里？4.SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？5.对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？6.玩过 Openclaw 吗？了解其的记忆机制吗？7.如果检索返回了很多相关的内容，如何选择最相关的？8.了解 embeding 吗？9.了解过 spec-drivening 的 code agent 吗？10.了解上下文压缩机制吗？11.为什么压缩前 70%？最开始的几轮对话明确需求不是很重要吗？

第三题写了三四种一直超时，实在没招了统计一下大家都a了多少，2.2进面希望大吗