问下大佬们这个简历有无问题啊, 投算法岗方向,目前是字节日常实习岗简历挂,雷火算法岗简历挂,互娱算法岗笔试挂,有回应的三个里俩简历挂了 害怕
全部评论
觉的技术栈板块似乎还可以再丰富一些。或者可以详细说一下😂😂😂感觉技术栈部分介绍有点简单,再就是项目不再多,而且要精炼,你写在简历上的每一个东西,你都要非常熟悉,如果不是很了解,不写不一定失分,但是如果写上去被问到回答不出来,那就必然是失分项。看到你简历的职业技能模块,不管是语言还是研究方向,都非常广,这就给自己挖了一个坑😂最害怕就是广而不精,随便一个细节,都有可能被问的摸不着头脑😂😂😂纯属个人观点
5 回复 分享
发布于 2021-05-02 03:46
技术栈建议多写一些
1 回复 分享
发布于 2021-05-23 17:17
可回收物体检测的v3模型,你优化哪部分了?
点赞 回复 分享
发布于 2021-05-06 10:57
没论文就不要卷算法了,哎认知不清,春招凉了你
10 回复 分享
发布于 2021-05-05 00:28
没有论文,不是名校,算法岗。你告诉我HR凭什么让你简历过?亦或者让面试官评估通过你的简历。
8 回复 分享
发布于 2021-05-05 01:44
可以投个百度保底,百度现在门槛算低的了
1 回复 分享
发布于 2021-05-07 15:24
我同学没论文也收到offer了,有你们说的这么吓人?
点赞 回复 分享
发布于 2021-06-06 00:23
我觉得简历格式很符合优秀简历的排版,只是内容和投递岗位不一定满足要求
点赞 回复 分享
发布于 2021-05-31 11:27
除非是曼彻斯特phd可能还会考虑
点赞 回复 分享
发布于 2021-05-31 02:52
投技术岗不用写社团经历。而且最后两个算法项目太简单了,基本就是刚入门才用的。
点赞 回复 分享
发布于 2021-05-31 00:21
投技术岗最好不要写社团组织经历,以前帮老师当过一阵子招聘小助理,看到写社团的简历都不要
点赞 回复 分享
发布于 2021-05-29 19:17
看来还是我认知太浅,觉得这样的简历已经很棒了
点赞 回复 分享
发布于 2021-05-29 17:23
好家伙,曼大一群人在这喷非名校,不过非research 的硕士都很难
点赞 回复 分享
发布于 2021-05-29 15:53
你这小厂都过不了简历关吧。
点赞 回复 分享
发布于 2021-05-29 14:36
曼大校友加油
点赞 回复 分享
发布于 2021-05-29 14:06
去小厂吧
点赞 回复 分享
发布于 2021-05-25 19:53
学历不够,没sci
点赞 回复 分享
发布于 2021-05-14 11:22
没论文、非名校,大厂基本上投不进去,转投小厂还有可能
点赞 回复 分享
发布于 2021-05-13 10:38
这个简历投算法被毒打几次就治好了😅
点赞 回复 分享
发布于 2021-05-06 11:59
还有,英硕就一年,除非导师带你发一些好期刊,否则你凭什么卷的过那些顶会/一区大佬?经历偏工程就还是投算法团队的研发岗吧。
点赞 回复 分享
发布于 2021-05-05 01:47

相关推荐

今天老师为大家梳理了10道RAG大模型必备面试题,供各位同学参考。1️⃣Q1:如何评估RAG生成结果的质量?A1:① 事实准确性(Factual Accuracy):对比标准答案;② 引用精确度(Citation Precision):生成内容与引用文档的相关性;③ ROUGE/L等自动指标(需谨慎,可能与事实性脱钩)。2️⃣Q2:如何优化检索的召回率(Recall)?A2:① 使用Query扩展(同义词替换/LLM改写);② 多向量表示(HyDE生成假设文档再检索);③ 调整分块策略(重叠分块/多粒度分块)。3️⃣Q3:RAG如何处理多文档冲突信息?A3:①  让LLM总结共识点并标注分歧(提示词控制);② 按文档来源权威性加权(如医学指南>普通文章);  ③ 返回多视角答案(需明确说明冲突存在)。4️⃣Q4:如何解决“检索偏好”问题(Retrieval Bias)?A4:当检索结果质量差时强制生成会导致错误。解决方案:① 训练检索评估模块过滤低质结果;② 引入回退机制(如返回“无答案”);③ 迭代检索(Re-Rank或多轮检索)。5️⃣Q5:如何优化长文档检索效果?A5:① Small-to-Big检索:先检索小分块,再关联其所属大文档;② 层次检索:先定位章节,再章节内分块检索;③ 图结构:用知识图谱关联文档片段。6️⃣Q6:解释HyDE(Hypothetical Document Embeddings)原理?A6:让LLM根据Query生成假设性答案,将其作为“伪文档”嵌入向量,再用该向量检索真实文档。解决Query与文档表述差异问题。7️⃣Q7:什么是迭代检索(Iterative Retrieval)?A7:多轮检索:首轮检索结果输入LLM生成初步答案,再以该答案为新Query二次检索,循环直到满足条件。适合复杂推理场景。8️⃣Q8:Self-RAG的核心创新点是什么?A8:引入可学习检索信号:模型自主决定何时检索(Retrieve on Demand),并生成特殊Token(如[Retrieval]、[No Retrieval])控制流程。9️⃣Q9:RAG如何适配实时更新知识库A9:① 检索器使用近实时索引(如Elasticsearch增量更新);② 生成器无需重训,但需监控新数据分布偏移。1️⃣0️⃣Q10:用户查询“2025年诺贝尔奖获得者”,但知识库只更新到2024年,RAG如何应对?A10:设计策略:① 检索器返回最新文档(2024年);② 生成器明确回答“截至2024年数据,最新获得者为XX,2025年结果尚未公布”;③ 添加时间敏感性警告。🍊如果想参加高质量项目辅导,提升面试能力,欢迎后台联系。
点赞 评论 收藏
分享
评论
7
4
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务