百度大模型应用算法一面-实习面经

继续来分享下之前的面经~强度好大，俺不中咧。。。。1.实习中多智能体系统包含几个智能体？它们之间如何交互？2.意图识别模型需要识别多少个意图？3.750B 模型用于什么场景？4.实习中 Qwen3VL 模型是多少 B 的？用于什么场景？5.在实习中，你主要的贡献是什么？6.检索环节做了哪些优化？7.答案生成环节做了哪些优化？8.是否做了 SFT 或强化学习相关工作？在哪个环节做的？9.SFT 过程中是否对类别标签做了清洗或修正？10.强化学习的样本量是多少？11.基础模型经常分类分不准的案例有哪些？12.在校项目中，为什么用对话数据来增强数据集？13.在校项目任务的输出可以简单描述并举例吗？14.单智能体能否完成在校项目相关工作？为什么要使用多智能体？15.LangGraph 相对其他开源智能体编排工具的优点是什么？16.在现有场景中是否需要用到 LangGraph 的状态管理功能？17.如何理解 Long-term Memory 的实现方式？18.若将电商场景中用户的购买、点击、兴趣等信息设计为长期记忆，有什么想法？19.Context Window 能否储存大量电商交互信息？如何解决存储问题？20.推理时若将大量 Memory 以 Token 形式给到大模型，Token 长度过长该如何处理？21.强化学习有哪些常用技巧？22.若通过 SFT 进一步提升模型准确率，常用的手段有哪些？23.SFT 的理想数据量是多少？如何确定？24.SFT 数据分布一般怎么取？为什么选择该分布而非其他分布？

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，...

#应届生，你找到工作了吗#  #xx岗简历求拷打#  #大模型#

1. 讲一下梯度下降的原理和它的几个常见变种（比如SGD、Adam），它们各自适合什么场景？◦ 追问：在实际训练中，如果发现损失函数震荡很厉害，可能是什么原因？怎么调整？2. 如何处理机器学习中的过拟合问题？除了增加数据，你还能想到哪些具体的技术手段？3. 解释一下Transformer模型中的自注意力（Self-Attention）机制，它的核心思想是什么？4. 如何评估一个分类模型的好坏？除了准确率，你会重点看哪些指标？5. 了解哪些常见的模型压缩或加速技术？（比如剪枝、量化、知识蒸馏）6. 在训练深度学习模型时，你是如何调试和定位模型性能不佳的问题的？7. 是否了解AIGC（生成式AI）相关的模型，比如扩散模型（Diffusion Model）？简述其基本思想。8. 将一个训练好的模型部署到线上服务，你会考虑哪些工程问题？9. 除了技术本身，你认为AI算法工程师在工作中还需要具备哪些重要的能力或意识？10. 你最近读过哪篇让你印象深刻的AI领域论文？简述它解决了什么问题。