1. 自我介绍2. RAG 怎么优化，评估时你会看哪些指标RAG 的优化一般不能只盯着生成端，很多问题其实出在检索阶段。常见优化思路包括 query rewrite、chunk 切分策略调整、混合召回、重排序、上下文压缩和引用约束。比如文档切得太碎，召回会有信息断裂；切得太长，又容易把无关信息一起带进来，生成端会受污染。真正线上效果好的 RAG，通常不是“某个 embedding 更强”，而是检索、排序、上下文组织和回答约束配合得比较好。评估时我一般拆成两层。第一层看检索，比如 Recall@k、MRR、HitRate，看相关证据能不能被捞上来；第二层看生成，比如答案正确率、faithfuln...

本人9本无实习经历，二月初开始面试，快手xhs简历都挂，京东一直泡池子，腾子三面挂，滴滴大模型算法一面挂，美团二面挂，亚麻OA都A了也挂，Google一面也挂。反正都是在挂中度过的，其实二月也是比较焦虑和陷入自我否定当中吧。但是还是比较感谢节子的速度的，而且面试的过程里面的氛围和节奏都很舒服，介绍业务和发展方向也是很明晰的。hr小姐姐人也挺好的，而且全程都是hr加我微信进行推进的，有什么情况和我说和和及时帮我推进流程，每次面试前都会提醒我今天的面试以及祝我顺利。（我感觉体感上面，志节是我面过的体验最好的一个了，从hr到面试官人都不错）timeline:3.6投简历推进评估3.7 hr打电话来约面3.9一面，20min后约二面3.11二面，二小时后约三面3.13三面，两小时后约hr面3.13hr面，面完就差不多oc了3.17 收到正式的offer

我觉得我经历很丰富啊，为什么在西安只有7k😭

1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...