字节日常实习-大模型一面-攒人品

这次面试感觉其实还行，但是到现在也没联系我，估计凉凉了。  这次面试，面试官很侧重于 LLM 在实际业务（特别是销售/营销场景）中的落地能力、工程化思维（如异常处理、耗时分析）以及 Prompt 的精细化控制，这段时间段段学了不了，但是还是感觉差点意思。一、 业务逻辑与转化率优化 (ROI) Q1：你们的“线索评分”机制是如何运作的？回答： 基于四个维度进行打分： 1.联系方式完整性（基础门槛）。2.购买意向强度（结合大模型进行意图识别）。3.对话深度（交互轮次）。4.用户主动行为（如主动要求添加销售微信或留下电话）。 综合这些维度给出一个分数，通常分数较高（如大于 70 分）会被判定为高优线...

大家都在鼓励你。自己也要争气啊！！！

求各位牛爷爷指点

1、LoRA 微调的原理LoRA 的核心思想是不直接更新预训练模型里的原始大权重，而是在某些线性层旁边增加一个低秩更新分支，用低秩矩阵去近似权重增量。假设原始权重是 W∈Rd×k，全量微调时直接学习ΔW，LoRA 则把它写成：ΔW=BA其中A∈Rr×k，B∈Rd×r ,，(r) 是远小于 (d) 和 (k) 的秩。这样前向计算就变成：h=Wx+ΔWx=Wx+BAx实际里通常还会加缩放项：这样做的本质是认为很多下游任务对大模型权重的更新其实存在低秩结构，不需要真的去学习一个完整的大矩阵。LoRA 的优点是可训练参数少、显存占用低、训练快，而且原模型参数冻结，方便多任务切换和权重管理。2、LoRA...