27实习字节大模型算法 二面 45min

如题，官网流程还没开，有意向私信看简历，岗位开放立马进流程。欢迎大家戳呀。贴一个jd2. 手把手，快成长：由资深技术专家一对一指导。你将完整经历从需求分析、方案设计到代码落地的全过程，掌握大模型应用开发的核心技能，快速完成从学生到工程师的蜕变。3. 高机会，留用优：团队对实习生重视度高，表现优秀者可直接获得正式录用Offer。这里不仅有前沿的技术探索，更有清晰的职业发展路径【岗位职责】4. AI 应用功能开发：参与电商运营系统的智能化改造。利用大模型能力，开发自动化的智能任务，帮助业务提效。5. 智能助手设计与实现：面向内部运营人员和外部商家，开发能“听懂指令、自主干活”的AI 助手。让它不仅能回答问题，还能主动提醒进度、生成报告，甚至协助完成跨系统的操作。6. 多智能体协作探索：尝试让多个 AI 角色协同工作，通过合理的逻辑编排，让它们配合完成更长、更复杂的业务目标。7. 工具链与效率提升：参与部门内部的 AI 开发工具建设，封装常用的业务接口供 AI 调用，并探索如何利用 AI 辅助编程，提升团队整体的开发效率。【岗位要求】8. 基础良好：2027 届本科及以上学历，计算机相关专业；熟练掌握 Python/Java/Go/C++ 中至少一门语言，数据结构与算法基础扎实。9. 热爱 AI：对大模型技术应用有强烈好奇心，平时关注 AI 领域动态。善于思考如何用新技术解决实际问题，具备良好的逻辑思维和沟通能力。10. 技术上手快：-- 了解 Agent（智能体）的基本概念，知道什么是工作流编排、ReAct 模式或多智能体协作。-- 接触过主流开发框架（如 LangChain 等），或对向量数据库、Embedding 技术有初步了解。11. 工程实践能力：-- 理解 Prompt（提示词）编写技巧，了解 RAG（检索增强生成）、工具调用（Tool Calling）等基本原理。-- 有过 API 接口对接经验，能将后端服务转化为 AI 可调用的工具者优先。12. 加分项：-- 有 PyTorch/TensorFlow 使用经验，或尝试过模型微调。-- 做过课程设计、毕业设计或个人项目，且涉及复杂业务流程处理（如电商、ERP、办公自动化等）13. 善用工具：习惯使用 Cursor、Copilot 等 AI 编程助手辅助写代码，追求高效开发。招聘对象2026 年 11 月 1 日至 2027 年 10 月 31 日期间毕业的海内外应届毕业生。

今年应届大模型算法年包一个比一个高，某书某节应届生开七八十万的好像一抓一大把，但是一看JD：有大模型预训练经验，有万卡集群调度经验，发表顶会论文对于我们这种没有大厂实习，没进强组的小卡拉米来说，基本上都是不可能满足的条件。  所以，没显卡的穷孩子真的不能靠大模型算法翻身吗？ 关于这个问题，实际上也要看“大模型”的几个具体方向（虽然都叫大模型算法or大模型应用），按照对硬件资源需求的程度从低到高排序大概是这样： Prompt工程 ≈ Agent 开发 < RAG <  LoRA等高效微调 < 全参数后训练（微调） < 预训练 这么看其实很明了了，那些对资源要求极高的JD，...

祝大家都能拿到满意的Offer！1. 项目拷打2. 详细阐述Transformer的底层原理，并说明其能够替代RNN的核心优势；结合Transformer架构的成熟度，分析Self-Attention机制在多模态对齐任务中是否存在瓶颈，以及在实际业务场景中，是否出现过注意力权重完全偏移的情况。3. 讲解LoRA的技术原理，说明LoRA是否仅能嵌入Linear层；分析LoRA无法在LayerNorm层之后插入的原因，以及该操作会对模型训练稳定性产生哪些具体影响。4. 结合实操经验，说明QLoRA降低训练资源成本的核心逻辑；列举常见的模型量化方式，并解释QLoRA选择NF4与FP16组合而非其他方案的原因，阐述NF4的分布拟合逻辑。5. 针对采用multi-query attention优化后，decoder延迟仍居高不下的问题，分析潜在性能瓶颈；探讨vLLM自带的KV Cache是否会成为推理过程中的负担。6. 分别说明Embedding模型与Rerank模型处理文本语料的核心流程，并结合实际应用场景举例说明。7. 结合过往RAG项目经验，讲解从数据清洗到检索服务上线的完整链路搭建流程，重点说明chunk切分的具体策略。8. 分析当前RAG技术落地的最大瓶颈，并阐述你在项目中采取过哪些优化手段来提升检索召回率（Recall）。9. 针对XX领域大模型的训练工作，说明SFT（监督微调）数据集的构造方法与核心思路。10. 结合LoRA微调实操经历，说明rank值的选择依据；在合并adapter权重的过程中，是否遇到过梯度爆炸问题，以及对应的解决方法。11. 结合你的模型部署相关经验，说明模型参数量与硬件算力需求之间的对应关系（例如不同参数量级模型所需的算力配置标准）；以部署一个稀疏率千分之三的235B参数量MOE架构模型为例，估算其所需的算力规模。12. 在搭建RAG知识库时，若需对文档进行动态更新，你采用的是全量嵌入还是增量处理方案？若为增量处理，如何规避新旧文档数据分布不一致导致的检索偏差问题。13. 针对机械臂动作态融合相关工作，说明数据融合的具体实现方案，以及对比实验的设计思路与评估指标。

整理下面经攒攒人品1，项目拷打2.语音合成的情绪识别怎么完成的?3.多agent相当于集成的插件吗?4.Redis的缓存怎么实现的?5.了解MySQL吗?6.SQLite怎么做的?7.你要如何实现长期存储?8.如何实现仅仅毫秒级别的延迟?9.多模态大模型中的预训练?10.图像预处理方法?11.深度学习关于图像的算法?12.Transformer的架构?