产品岗速通面经面筋 1. 介绍上段实习项目产出 2.涉及到的产品定位（接1） 3. 如何制定数据埋点规范 4. 产品是否具有配置化看板？（接1） 5. 为什么想做数产而不是数分 6. 开放产品问题：某部门做了一个类似gpt的功能，接入若干个大模型，不限定内部人员使用频次，你觉得有什么问题？ 7. 淘宝拼多多盒马app在购物车设置和商品详情页为什么有很大差异？ 8. 反问 整体体验感较好，hr前期超耐心了解情况火速约面，业务考察比较开放，耐心引导回答还时常提醒不要紧张给💯友塔游戏25届春招全面启动啦~关于我们：友塔游戏(Yotta Games)于2012年创立，团队核心成员来自全球知名高校和游...

✴️回答：简单点我们可以直接说，bert是基于encoder-only的结构，这个结构用来做生成式任务没有现有大基于decodee-only结构的模型好，其次我们可以说bert这种基于掩码的方式来生成文本本来做的就不是自己目标内的事，当生成较长文本时效果肯定烂的一批，然后我们还可以说bert没办法处理变长输入和输出。✅详细解释如下：BERT在生成式任务中存在一些明显的局限性：1.生成连贯性不足：BERT的训练目标是预测单个被掩盖的单词，而不是生成一长段连贯的文本。因此，在生成较长文本时，可能会出现逻辑不连贯、语义跳跃等问题。例如，它可能会生成一些在局部上下文看似合理，但在整体语篇中显得突兀的句子。2.生成长度受限：BERT的输入长度通常受到限制（一般为512个token左右）。这使得它在生成较长文本时会遇到困难，因为它无法有效地处理超出其输入长度限制的内容。相比之下，专门的生成式模型（如GPT）可以生成更长的文本，并且能够更好地保持文本的整体连贯性。3.缺乏明确的生成目标：专门的生成式模型（如GPT）是通过自回归的方式（从左到右或从右到左）来生成文本，其训练目标就是生成连贯的文本。而BERT的训练目标主要是理解文本，生成只是其能力的一种延伸，因此在生成任务上缺乏像生成式模型那样明确的优化目标。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

组内直招校招实习生，有校招转正机会。可长期实习者优先。2027年及以后毕业。岗位职责：1.负责腾讯视频等产品内容理解相关大模型算法的研究开发工作；2.从事多模态大模型前沿技术的探索与研发；岗位要求：1.具有扎实的深度学习基础，计算机视觉、自然语言处理、机器学习、模式识别等相关专业，数理功底扎实，自学能力强，解决问题思路清晰；2.熟悉PyTorch等深度学习框架，熟悉大模型分布式训练框架Deepspeed，熟练掌握Python编程；3.有LLM多模态大模型等相关经验者优先；4.在计算机科学高水平会议和期刊发表过论文，或有竞赛经验者优先。Base地：北京投递方式：请将简历发至邮箱 jeffhzha...

5.26官网投递6.4发通知6.5一面 34min前15分钟聊实习，后面写了一道sql一道算法题，算法题快写完了面试官说要面下一个人了，感觉有点对我不感兴趣，完全没有问项目和八股，没有一点压力，这都4天了还没消息，是不是要寄了😭😭😭