去年这个时候投了好多简历，一个实习offer都没有，原因有3，1是自己学历一般，末流211还是电子类专业跨java，2是水平太差，去年只学到ssm springboot，会写sql，八股基本不会，算法从来没碰过，3是后知后觉，别人疯狂卷实习的时候，自己还不知道从哪里开始准备面试。最后磨蹭到4月无实习，被迫考研。靠着中部省份考生的做题素养上岸某中9软件工程专业，入组nlp，目前大四即将毕业。思考很久不知道是继续卷java还是算法，卷算法又担心自己学历不够，本2硕9估计也很悬吧，卷java又觉得自己研究生白读了，看到很多本科佬都拿了java的offer，自己还要多花3年时间。不懂目前行情，不知道自己是不是有点天真了，求建议，随便聊聊，路过留个评论吧😘😘😘引流:小米，华为，字节，腾讯，小红书，百度，阿里，京东，美团，饿了么，实习，秋招，春招，面试，offer，一面，二年，hr面 #华为# #小米# #我的实习求职记录# #投递实习岗位前的准备# #不给转正的实习，你还去吗# #无实习如何秋招上岸# #通信硬件薪资爆料#

LLM 大模型学习必知必会系列(五)：数据预处理(Tokenizer分词器)、模板（Template）设计以及LLM技术选型 在模型训练过程中，数据及数据处理是最为重要的工作之一。在当前模型训练流程趋于成熟的情况下，数据集的好坏，是决定了该次训练能否成功的最关键因素。 在上一篇中，我们提到了模型训练的基本原理是将文字转换索引再转换为对应的向量，那么文字转为向量的具体过程是什么？ 1.分词器（Tokenizer） 在NLP（自然语言处理）领域中，承担文字转换索引（token）这一过程的组件是tokenizer。每个模型有自己特定的tokenizer，但它们的处理过程是大同小异的。 首先我们安装好...

我问了几家，总结的就是。竞争力不在算法本身，还是要编程能力强(所以我还挺有优势)。企业想要工程能力强，AI算法的深度只是通过性指标(比如神经网络那些经典算法都懂，调参调结构熟练)。高校里卷论文性价比极低，除非是偏应用的顶会，那些推公式的到企业更是毫无卵用。经过我的调查，这种局面是因为，涉及理论太多的工作企业都可以外包给高校，找博士当牛马。自己的算法工程师也就是懂算法的开发。不仅是我强化学习算法这边是这种情况，nlp也需要大量清洗数据，加规则优化的任务。

关于大模型的50道精选面试题1.简述GPT和BERT的区别2.讲一下GPT系列模型的是如何演进的?3.为什么现在的大模型大多是decoder-only的架构?4.讲一下生成式语言模型的工作机理5.哪些因素会导致LLM中的偏见?6.LLM中的因果语言建模与掩码语言建模有什么区别?7.如何减轻LLM中的“幻觉”现象?8.解释ChatGPT的“零样本”和“少样本”学习的概念9.你了解大型语言模型中的哪些分词技术?10.如何评估大语言模型(LLMs)的性能?11.如何缓解LLMs复读机问题?12.请简述下Transformer基本原理13.为什么 Transformer的架构需要多头注意力机制?14....