1. 介绍下你实习学了什么 做过什么项目,为什么离职的2. MoE 为什么能在参数量很大的情况下还能把训练和推理成本压住，真正难点在哪MoE 的关键不是“参数变多了”，而是“每个 token 只激活一部分参数”。也就是说总参数量可以做得很大，但单次前向只走少数几个 expert，所以理论上计算量不会随着总参数线性增长。这个思路在大模型里很有吸引力，因为可以同时兼顾容量和成本。但真正难的地方是路由和负载均衡。路由器如果只偏爱少数 expert，训练会很不稳定，热门 expert 被打爆，冷门 expert 学不到东西。另一个难点是通信开销，尤其多机训练时，token dispatch 和 gat...

这种要去吗？

太难写了

作为后端开发实习生，从最开始瞎用AI踩坑，到现在每天高频使用AI，把工作效率提升了3倍，我深刻明白：用AI的次数多不厉害，把AI用在刀刃上，真正帮自己减负、提效、成长，才是核心。先说说我一天的AI使用频率和场景，不算生活里的琐事，纯工作场景，一天就会用AI20次左右，主要集中在这几个模块，也是我总结出来的，职场人用AI最高效的几个方向：一、核心工作提效：用AI做“重复劳动的替身”，把精力留给核心思考这是我用AI最多的场景，占了一天使用次数的60%，核心原则是：所有标准化、重复性、低思考成本的工作，全交给AI。代码开发辅助：这是每天用得最多的。基础的CRUD接口、工具类、通用函数、单元测试、代码...