这段时间，更像是在“边消耗边找成长”

部门直推，要一个年轻人，私我简历即可，要求计算机背景，在AI/安全方向探索意愿比较强

给时间时间 终会梦想成真的🥺那就努力努力再努力🤲

其实叫得上名字的中厂也行

挂了，希望发出来对大家有帮助！1.你们产品中实现的“长上下文支持”具体是如何规划落地的？背后的产品考量是什么？2.如果规划一个支持超长文本（如100万字）的AI功能，你会如何分阶段设计产品方案和验证节点？3.对比DeepSeek、Llama等主流模型的长文本方案，它们各自体现出的产品定位与优劣势是什么？4.从产品视角看，不同模型方案在训练效率与效果表现上的差异，应如何转化为产品策略上的选择依据？5.若要将产品支持上下文扩展至极大长度（如1000K），在产品落地路径中，可能面临哪些核心资源瓶颈？6.以32B参数级别的模型服务为例，作为产品负责人，你会如何评估和规划其上线初期的算力与硬件投入？7.在AI产品中，如何合理规划显卡资源分布与任务并行策略，以支持大规模并发请求？8.当产品要求的训练时长与现有算力不匹配时，你会从哪些方面推动优化或调整产品方案？9.当产品功能依赖的模型在长上下文场景下出现显存暴涨时，应从哪些环节进行产品层面的干预或体验兜底？10.在资源受限的情况下，如何设计产品机制，保障核心功能的稳定性和用户体验不滑坡？