帮忙选offer

混合云异构计算工程师工作职责-建设业界领先的AI异构算力容器平台，提供 高性能、高稳定性、高易用性的百舸产品，支持AIGC、智算中心、金融-结合 SOTA 模型训练推理优化原理，深入模 型结构与设计思路，将训练推理优化手段工程 实践化，为客户提供系统性加速方案，提升训 推效率-在自研芯片上适配常见大模型，结合深度学 习训推框架特性，开发或调优相关算子，提升模型在芯片上的性能和精度表现，辅助客户进 行芯片选型和应用-针对大规模异构集群场景下，探索训推任务 管理、异构资源调度、虚拟化混布、容器存 储、高性能网络、分布式训练和推理等技术的 创新和应用-探索业界最新技术方向，参与机器学习框架 等开源社区，提升百度混合云AI核心竞争力任职资格-本科及以上学历，有一定程度的计算机相关 专业知识背景-优秀的编码能力，熟悉Golang/Python/ Java/C/C++至少一项，有扎实的算法及数据 结构基础，有良好的编程习惯。-熟悉PyTorch,了解Megatron、 DeepSpeed、vLLM、SGLang等大模型训推 框架，做过测试、开发等工作。-对GPU芯片架构有一定了解者优先，熟悉 CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先-具备推理优化的深度实践经验优先： FlashAttention、PD分离、专家并行、负载均 衡、模型压缩（蒸馏/量化）、缓存策略、异 构计算加速-具备训练优化的深度实践经验优先：分布式训练、显存优化（如Zero/Offload)、计算通 信Overlap、混合精度、MoE架构调优-熟悉Kubernetes工作原理，熟悉调度器、资 源扩展机制、容器运行时、容器网络等技术， 有Kubernetes开发和维护经验优先-有独立的分析问题和解决问题的能力，有强 烈的责任心，较强的学习能力和沟通能力

一面1、自我介绍2、如何评估 AI聊天产品的好坏?3、你会用哪些指标去衡量AI对话体验?4、目前市面上的AI聊天产品，你觉得谁做得最好?5、为何现在的大模型大部分是Decoder only结构？6、介绍一下如何做竞品调研的，有哪些竞品？7、介绍一下你做过的这两个AI项目在时间规划上分别是怎样的？8、如何搭建AI 评测体系?9、离职原因二面1、自我介绍2、评测集的选择和构造，评测指标的计算评测数据如果和预期不符，你会怎么优化?3、涌现能力是啥原因？4、如何让大模型处理更长的文本？5、llama 输入句子长度理论上可以无限长吗？6、怎么确定选用什么模型以及为什么选择这个模型？7、针对智能客服项目，...

更新：7-16接到电话，一面通过，约二面基本信息岗位：Java研发工程师 - 北京时间线：2025-07-09投递 → 07-14收到面试邀请 → 07-15面试个人背景：海本海硕，年底硕士毕业，计算机专业，外企实习+工作3年经验技术栈（工作）：C# .NET、AWS云服务、Azure DevOps面试内容项目经历讨论，前公司项目深度交流- 技术栈应用情况- AWS相关技术实现- 微服务架构设计- 扩容缩容机制- K8s扩容机制（承认不熟悉）- AWS服务间交互协议- Azure DevOps CI/CD流水线构建- 并发问题解决方案- 数据库优化策略学校项目：基于SpringBoot + React + PostgreSQL + RabbitMQ的分布式微服务项目，重点考察高可用、容错性、并      发处理能力。1. SpringBoot框架原理2. SpringBoot事务机制基础3.数据库事务与SpringBoot事务的区别4.@Transactional注解在同类调用时的生效性5.无接口继承情况下外部调用的事务生效性6.SpringBoot自动装配机制7.微服务拆分思路8.商品模块与用户模块的独立性保证9.跨模块数据访问处理方案10.多节点部署的负载均衡策略11.数据库事务实现原理12.事务隔离级别13.事务隔离级别的实现机制编程题题目：封装Java HashMap，实现SetAll功能要求：O(1)时间复杂度，一次性更新所有键值为指定值反问环节询问面试官对本次面试的反馈建议回顾基于面试官的反馈，我的问题主要出在了技术栈转换的准备不足上。由于之前长期从事C# .NET开发工作，对Java和SpringBoot框架的掌握不够，影响了面试表现。在SpringBoot相关的技术问题回答中，缺乏对框架底层原理的深入理解，特别是在事务管理、自动装配等核心概念上掌握不行。另一个问题是岗位匹配度不高。虽然有3年的开发经验，但在简历准备和面试过程中，Java技术栈的体现不够充分，没办法有效向面试官展示在目标技术领域的能力。背景转换的准备不充分，让原本应该有些许优势的工作经验反而没有大作用（难受的一）。C#作为后端开发技术栈在国内市场相对小众，相关岗位主要集中在外企，而国内大多数公司更倾向于使用Java技术栈（所以到目前为止秋招基本投的是Java开发）。总体面试感觉挺好，面试官很有耐心，就是背景音有点儿吵。

最近进行了一次Qwen团队技术面，挂了，没有下一轮，整理材料如下，希望对大家有帮助。请简述Qwen大模型的整体架构设计及其核心创新点。Qwen模型在支持128K超长上下文时，如何解决显存和计算复杂度的问题？Qwen采用了哪些高效注意力机制？请详细说明FlashAttention及其变体的原理和优势。如何理解Qwen模型中的SwiGLU激活函数，它相比传统激活函数有哪些优势？请解释Qwen模型训练中混合精度训练的实现及其带来的性能提升。Qwen模型在推理阶段如何实现低延迟和高吞吐？有哪些优化手段？请描述Qwen模型的参数分布和稀疏化策略，如何在保证性能的同时减少计算资源消耗？大模型在生成文本时经...