minimax大模型算法实习二面 攒人品
攒攒人品!有面试过同岗的朋友欢迎评论区交流
1.实习拷打
2.这个是一个报告生成场景,那我想知道这个报告具体是偏结构化的还是自然语言的?比如它有没有一个既定的schema?还是说用户输入什么都可以
3.那这个报告的生成里是不是会依赖外部信息?你们是怎么做信息检索的?是提前召回好然后作为prompt上下文?那信息对齐怎么做
4你说你们优化了全流程——这个‘流程’具体是怎么定义的?你在哪一块做了具体的性能提升
5.你们这个项目有没有落在某个业务线里,你们上线之后是怎么度量它到底有没有带来收益的
6你刚才说你们用了大模型自己去生成训练数据,那具体是怎么构建指令的
7.比如有一个query,生成了3个candidate output,那你怎么自动判断哪个好哪个不好
8.你们这个rankinglogic是靠rule还是另一个模型?有没有引入Reward模型
9.那如果是生成负例,你们是怎么让模型生成‘看起来对但其实错’的样本的?比如你在做一个医学场景,模型生成错了你怎么知道它错在哪里
10.自动评估那里你们评估维度具体是什么
11.自动评估是在线构建样本时使用的对吧?那你们有没有做样本质量的统计分析?比如分布上是否足够覆盖edge case
12.你们是怎么管理这些agent之间的状态的?是通过context传递?还是通过某种状态图建模
13.如果一个Agent负责外部知识的query,另一个负责摘要,另一个做用户对话,那你是怎么确保这些agent协同的
14.假设一个子agent出了错,比如检索召回错了内容,那整个流程会失败吗,你怎么来处理这一块的
15.如果现在要你做一个电商客服agent,它需要推荐商品、解释优惠政策、同时处理投诉,那你会怎么设计
16Function Calling有了解对吧?那如果我现在告诉你一个模型要完成任务,它可以选多个Function来调用,你觉得模型最难学的是哪个点?
17.那你觉得怎么样让模型更灵活地调用function?比如是不是要把接口文档和调用示例都encode进去
18.有没有做过multi-tool routing?比如用户query过来你需要在20个tool里选一个调用的,你觉得模型要考虑哪些维度来决策
19端到端推理和模块化Agent推理你更看好哪种?你觉得大模型真的能在极长context下规划全流程吗
28.手撕:给定一个二维数组(矩阵)要求按照螺旋顺序输出所有元素
1.实习拷打
2.这个是一个报告生成场景,那我想知道这个报告具体是偏结构化的还是自然语言的?比如它有没有一个既定的schema?还是说用户输入什么都可以
3.那这个报告的生成里是不是会依赖外部信息?你们是怎么做信息检索的?是提前召回好然后作为prompt上下文?那信息对齐怎么做
4你说你们优化了全流程——这个‘流程’具体是怎么定义的?你在哪一块做了具体的性能提升
5.你们这个项目有没有落在某个业务线里,你们上线之后是怎么度量它到底有没有带来收益的
6你刚才说你们用了大模型自己去生成训练数据,那具体是怎么构建指令的
7.比如有一个query,生成了3个candidate output,那你怎么自动判断哪个好哪个不好
8.你们这个rankinglogic是靠rule还是另一个模型?有没有引入Reward模型
9.那如果是生成负例,你们是怎么让模型生成‘看起来对但其实错’的样本的?比如你在做一个医学场景,模型生成错了你怎么知道它错在哪里
10.自动评估那里你们评估维度具体是什么
11.自动评估是在线构建样本时使用的对吧?那你们有没有做样本质量的统计分析?比如分布上是否足够覆盖edge case
12.你们是怎么管理这些agent之间的状态的?是通过context传递?还是通过某种状态图建模
13.如果一个Agent负责外部知识的query,另一个负责摘要,另一个做用户对话,那你是怎么确保这些agent协同的
14.假设一个子agent出了错,比如检索召回错了内容,那整个流程会失败吗,你怎么来处理这一块的
15.如果现在要你做一个电商客服agent,它需要推荐商品、解释优惠政策、同时处理投诉,那你会怎么设计
16Function Calling有了解对吧?那如果我现在告诉你一个模型要完成任务,它可以选多个Function来调用,你觉得模型最难学的是哪个点?
17.那你觉得怎么样让模型更灵活地调用function?比如是不是要把接口文档和调用示例都encode进去
18.有没有做过multi-tool routing?比如用户query过来你需要在20个tool里选一个调用的,你觉得模型要考虑哪些维度来决策
19端到端推理和模块化Agent推理你更看好哪种?你觉得大模型真的能在极长context下规划全流程吗
28.手撕:给定一个二维数组(矩阵)要求按照螺旋顺序输出所有元素
全部评论
相关推荐
点赞 评论 收藏
分享

