腾讯大模型算法岗面经

1．问实习和论文2．讲一下 LoRA ，两个权重矩阵一般怎么初始化，能都全0吗3．除了 LoRA ，还了解哪些可以进行训练推理优化的技术4．现在的多模态大模型，动态分辨率一般都是怎么做的，位置编码怎么设计5．平常训练或者微调 LLM 或者VLM，有什么感受6. 专家划分子空间是区分不同任务但有时候并不能取得理想的效果这是为什么7. 概率题，一副扑克牌，去掉大小王，随机抽两张，花色相同的概率8. 场景题：目前有一个带货的直播间，设计一个方案，商品比较多怎么降低时延

----------------------------------12.30 一面全部问的实习手撕：快排----------------------------------1.6 二面问实习了解过 LLM 类似的机器学习相关的原理性的一些东西吗？（说了些transformer原理）agent的几种模式？分别有什么特点和优劣？反问：几轮面试 回答：两轮技术面+一轮hr反问：部门 回答：同花顺的ai部门----------------------------------暂无后续bg四非本，还是太难了没什么面试，唉

1.拷打论文2.介绍模型3.数据清洗流程4.采用什么样的策略、什么样的数据才会便于模型学习5.数据配比能说下思路吗6.主流LLM模型结构设计有什么特点7.如何评估LLM8.训LLM最大的困难是什么9.前沿LLM有了解哪些10.工具调用怎么实现11.国内LLM有了解哪些12.LLM推理能力的天花板现在是什么程度13.无手撕

我觉得这是一个伪命题，因为这根本就不是一个A或B的问题。互联网各个部门都喜欢搞ai,也确实有很多结合具体业务开发智能体的需求（主要是大老板喜欢），但是据我观察现实情况有个很现实的结论：现阶段大部分智能体开发，核心执行者都是后端工程师。我本人的工作也包含了部分智能体开发，所以有点发言权。究其原因，一来后端工程师最懂业务逻辑和系统底层架构，能精准捕捉业务痛点，知道哪里适合用 AI 赋能、怎么落地才贴合实际需求；二来智能体开发的核心是 “业务落地” 而非 “大模型底层研发”，技术门槛更多集中在业务拆解、工具整合与流程闭环，而非高不可攀的算法研发，后端工程师上手起来反而更有优势。ai是风口，agent...