昨天刷X的时候,突然发现xAI把整个For You推荐算法开源了。说实话,我当时就愣住了。要知道,推荐算法这东西,对社交平台来说就是命根子。抖音的推荐算法、小红书的推荐逻辑,哪个不是藏着掖着当核心机密?结果马斯克直接把代码扔GitHub上,7000多个star,就这么大大方方让你看。这背后到底藏着什么秘密?一个让我震惊的发现我花了整整几个晚上扒完这套代码,发现了一个颠覆认知的事实:X的推荐系统里,几乎没有人工规则。什么意思?传统的推荐系统,工程师会设计几百上千条规则。比如用户点赞过科技类内容,就多推科技,或者转发率高的内容加权。这些都是人脑想出来的逻辑。但X的算法完全不是这么玩的。他们用的是G...

和mentor的第一次谈话在谈话的最后，mentor跟我说：“我希望你把我当成资源，而不是老师。”“资源”这个词直接而准确，让我一时恍然。从小到大，“老师”总是连着某种规矩与距离，让我们习惯于被动等待教导、听从指令，把自己放在一个被定义的位置上。而“资源”，主语变成了“我”。这意味着我要主动去勘探、获取自己真正需要的东西。因为最清楚自己成长渴求的，正是我自己。这种主动的探寻与吸收，才是扎实的成长。以前觉得“资源”听起来功利，但现在有了不同理解——它其实接近“把自己当成产品”，持续积累知识、能力和格局，成为对他人有价值的人。这种价值不必宏大，可以对事、对人、对团队，也可以对自己在乎的领域。重要的是让“创造价值”成为思考与行动的一部分。汲取，是为了将来能够给予；提问，也是为了有一天可以解答。让自己有价，才能对未来有用。谢谢mt，受教了

双9硕，大模型算法，总包170w-200w。很有诚意，无签字费。已接。

最近影石的秋招真是让我心潮起伏，虽然之前已经决定放弃，但影石的抬价让我又重新燃起了希望。所以，我决定分享一下我的面试经历，希望能帮到同样在准备秋招的小伙伴们。一面面经： 💪一面的面试官真是技术大咖，问题一个接一个，完全没有停下来的意思。以下是我被问到的一些问题：为什么选择MNN推理框架？有没有调研过其他的？模型从训练到端侧用MNN作推理的流程是什么？实习任务中，int8和半精度的性能提升明显吗？MNN的具体实现和优化策略是什么？双线性插值的4个点的权重如何分配？仿射变换用了什么NEON指令集，做了什么运算？ax+b用矢量去做加速，会用哪条指令？HWC和CHW以及NC4HW4的区别是什么？如果...