大模型应用面经，已归类！

1. 实习项目问的很细，数据构造，微调参数等2. 如果子agent回复不对怎么办？反思？跳不出去怎么办？限制次数3. LORA和全参数微调的区别4. DPO，PPO，GRPO5. 逻辑回归、XGB和神经网络的区别6. XGB怎么做特征重要性的？gini系数是什么？7. Deepseek MLA？为什么压缩？8. Transformer encoder？为什么需要FFN？9. AUC物理意义，公式，公式含义code：重排链表

bg双非，28节 基本状况是大一的下学期和暑假学完了基本技术栈，大二上出去投了点简历拿了几个offer 但是不想过早去实习，所以在学校搞点比赛和学点大模型。跟着黑马过完了机器学习，深度学习，目前在nlp后面还有langchain RAG 模型微调有以下感悟吧大家想学想了解大模型应用开发的可以看一下1.感觉的话门槛确实比后端高 其中很多数学推导啥的，然后都是在做矩阵运算，所以想学的话高数，现代，概率还是不能一点不懂2.学起来比后端还要孤独，前端可以可视化，后端还能用apifox看个返回，ai的话感觉只能看看几个指标，顶多画一下图看几条似懂非懂的线3.感觉机器学习，深度学习可以快速过，主要还是要看看rnn，注意力机制，transformer这些，毕竟和现在大模型强挂钩4.感觉还是不能all in大模型 可以做一个后端的加分项，感觉离业务有点远

1. 实习介绍2. 看了今年哪些生成式推荐论文，答onerec了3. 然后聊了半小时onerec，重点在多模态tokenizer和语义id4. 拷打简历项目(infonce的温度系数作用，faiss ANN索引，正负样本，特征工程，推理测评指标等)5. RoPE和ALiBi两种相对位置编码的原理6. SwiGLU原理，比relu好在哪7. attention常规八股(根号dk，时间复杂度，为什么要分多头)8. 用过哪些大模型微调方式，LoRA微调原理9. 了解模型蒸馏吗10. 了解目前主流多模态模型吗，扩散模型公式怎么推导的11. 手撕: lc53 最大子数组和改为求出这个子数组

第一次投了通用软件开发，机考没通过，重新投递必须要换岗位，所以投的AI应用岗，面试是大模型应用岗位，可是我一直面试的是后端岗位，简历也是后端的项目，准备的都是JAVA八股，JAVA手撕题。有没有uu有同样的情况？面试会问大模型吗？还是根据简历问？求求了，根本不知道怎么准备