先放一张从办公楼视角的园区图⬇️ 入职巨人快一年了。这一个年最大的感受是——我好像没在“上班”，就是换了个地方生活。 🏡 关于住：提供两年宿舍，第一年免费入职当天领到宿舍钥匙的那一刻，我人是懵的。双人间，水电全免，冰箱、洗衣机、微波炉全配好了，每个房间独立Wi-Fi，柜子大得能塞下我大学四年的家当，公共区域每天有人打扫。最离谱的是什么？宿舍到工位步行5分钟，早上9:50起床都不会迟到。🍜 关于吃：食堂卷到离谱，3.5元吃一顿早餐巨人的食堂，是那种会让离职员工专门发帖怀念的存在。早餐：土豆饼、萝卜丝饼、煎饼果子、小馄饨、包子、豆浆、八宝粥……我每天的早餐标配是煎饼果子（3元）+豆浆（0.5元...

如题，tl：3.3 投递3.9 一面3.17 二面3.25 三面3.26 hr面4.1 offer给同样面了腾讯的同志们一点参考。说好的字节才是双非友好大厂呢，为什么我简历是投一次锁一次，以后要当节恨子！鹅是人生第一次面试，本来以为要挂几次，没想到流程还算顺利，初面就直接给我过了，我要感谢腾讯，感谢面试官，感谢hr，感谢所有人。真心是体会到了，找日常实习就是七分运气三分实力。鹅的黑卡有点帅

虚心请教，给点建议，会不会太冗余了  

Q1：prefix Decoder 和 causal Decoder 和 EncoderDecoder 区别是什么？答案：prefix Decoder 和 causal Decoder 和 Encoder-Decoder 区别在于 attention mask不同：Encoder-Decoder：在输入上采用双向注意力，对问题的编码理解更充分。适用任务：在偏理解的 NLP 任务上效果好。缺点：在长文本生成任务上效果差，训练效率低。causal Decoder：自回归语言模型，预训练和下游应用是完全一致的，严格遵守只有后面的token才能看到前面的token的规则。适用任务：文本生成任务效果好。...