1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

佬们看看这个简历可以冲大厂吗

恐怖如斯

补档：hr和技术面同时进行hr主要问一些校内成绩有没有挂科，然后就是base地点，薪资期望还有家里和实习技术面狠狠拷打了项目，感觉讲的有点不好，逻辑还是没有理顺，没有问八股。估计没有后文了，说通过下周发心里测评。实习的话是包装了包装，被狠狠拷打了，一问你这个具体干啥了，和谁对接的，怎么处理的，指标怎么得出来的就懵逼了，想办法解决了得，建议一定要对项目熟的不能再熟。