✅一面1、如何对模型的推理速度进行改进？2、知识蒸馏一般怎么样的方法？3、知识蒸馏loss的选择？4、多任务学习如何融合多个loss？5、多任务学习样本有没有什么trick？6、当训练遇到bad case了，模型改进后如果对原来的性能有影响应该如何应对？7、强化学习能否帮助模型稳定训练？8、传统的nlp的模型和深度学习nlp模型本质的区别是？9、代码题：合并区间（leetcode56）✅ 二面‍1、简历拷打2、AUC如何计算？3、离线auc提升，线上没有提升，可能问题在哪，如何排查4、layernorm & batchnorm?5、llama2用怎样的normalization方法？6、如何解决样本稀疏或者冷启动问题？如何从系统层面解决？7、如何进行item的提权？8、粗排模型样本空间/样本选择？9、多目标学习跷跷板现象如何解决？10、只拟合视频时长或者视频完播率会有怎样的问题？11、视频时长是怎样的分布？如何解决这种问题？12、特征交叉相关模型？13、DIN模型，DIEN模型？14、序列长度不一样的话如何做mask？15、特征重要度如何做的？交叉特征的重要度如何衡量？16、代码题 leetcode76（出现了！是hard！）📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系