✅第一轮 抖音推荐算法一面✴️1、项目问了一下快手的工作2、八股介绍一下MMOE,极化现象知道吗，如何解决？L1和L2的区别介绍一下bn过拟合还有什么其他方法3、code最大子数组和链表交替打印4、反问业务是图文推荐，据说老板很重视，冲冲冲✅第二轮抖音推荐算法二面✴️1、项目介绍了一下快手实习，很深入探讨2、code隐马尔可夫模型，牛逼我只能说给定PI, Q, P矩阵，玩N次游戏，求N次游戏得到的R的概率刚开始说了个暴力解，然后在面试官提醒下，弄出来个DP算法，非常考验数学和DP的理解3、八股Adam的公式，额外的开销AUC定义，AUC如何计算，如何优化介绍一下self-attention📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

面试公司：美团岗位：大模型应用开发一面1．自我介绍＋做过的项目，项目问的很细2．了解 Deepseek -R1吗？介绍一下。3.R1的 MLA 是如何实现 KV - Cache 的节约？4.R1在 SFT 时冷启动的目的？5．位置编码是什么？解释 ROPE6．一个14B的模型，推理和训练要多少显存？7．显存的占用和哪些因素相关？8．大模型灾难性遗忘是什么？如何解决？9.BF16、FP16、FP32对比10.Adam, AdamW 原理11.deepspeed的三个阶段手撕：合并两个有序链表

1️⃣自我介绍：【⌚️10分钟】点评：流水账，有些磕磕绊绊，自我介绍环节的项目介绍的很详细，非常冗余。优化：写逐字稿，背诵，提升语言表达能力。2️⃣经常问题的问题优化：【⌚️20分钟】1：transform结构了解吗？回答点评：回答的很简单，5分吧，说了transform的结构是encode-decode结构，分块，每个块里面有四个组建，MHA、FFN、LN、残差链接，介绍和理解不深刻。提升指导：梳理回答逻辑结构，讲解MHA、FFN、LN、残差链接的添加逻辑和含义，其中MHA给出代码层面理解，从2分钟的回答变成6分钟的回答。2：多头自注意力机制是啥？公式是啥？代码你会写吗？回答点评：讲了公式，但是掌握的不够细致，pytorch代码框架不熟悉，attention_mask机制没有写出来。提升指导：讲述代码的原理，如何使用代码回答问题，展示自己的理解深刻。3：rag中的多路召回是什么？embeding为啥用智源的BGE-large/Base？回答点评：使用了BM25和向量召回，但是没有讲出来两个的区别和联系提升指导：先讲原理，再讲述下语义理解能力和泛化能力的区别，计算的效率，两个互为补充等。3️⃣不会回答的问题指导：【⌚️40分钟】1:  LN不太会回答，看网上的回答很多，但是不是理解层面。2：我的向量召回是faiss做的，和这个相关的问题我如何准备？3：经常会被问到rag用的啥框架，这个问题如何回答？还需要准备框架的知识吗？4：面试官经常问我，rag的模型是啥？有做微调吗？如果不做微调怎么回答？5：大模型还需要补充那些知识？📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

✴️回答：简单点我们可以直接说，bert是基于encoder-only的结构，这个结构用来做生成式任务没有现有大基于decodee-only结构的模型好，其次我们可以说bert这种基于掩码的方式来生成文本本来做的就不是自己目标内的事，当生成较长文本时效果肯定烂的一批，然后我们还可以说bert没办法处理变长输入和输出。✅详细解释如下：BERT在生成式任务中存在一些明显的局限性：1.生成连贯性不足：BERT的训练目标是预测单个被掩盖的单词，而不是生成一长段连贯的文本。因此，在生成较长文本时，可能会出现逻辑不连贯、语义跳跃等问题。例如，它可能会生成一些在局部上下文看似合理，但在整体语篇中显得突兀的句子。2.生成长度受限：BERT的输入长度通常受到限制（一般为512个token左右）。这使得它在生成较长文本时会遇到困难，因为它无法有效地处理超出其输入长度限制的内容。相比之下，专门的生成式模型（如GPT）可以生成更长的文本，并且能够更好地保持文本的整体连贯性。3.缺乏明确的生成目标：专门的生成式模型（如GPT）是通过自回归的方式（从左到右或从右到左）来生成文本，其训练目标就是生成连贯的文本。而BERT的训练目标主要是理解文本，生成只是其能力的一种延伸，因此在生成任务上缺乏像生成式模型那样明确的优化目标。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

今天，老师为大家介绍了搜索算法的学习路径，在其他算法上拼命卷的同学可以转换思路过来看！1️⃣基础学习基础机器学习，算法知识，然后学NLP的基础知识，掌握bert原理。2️⃣动手实践学完基础和bert，微调bert, 完成几个小项目，比如bert做分类，bert做打标签，bert做NER等3️⃣业务了解有了基础的动手能力，补充业务知识，了解搜索的整个链路知乎文章看搜索的框架知识，看搜索各个环节的要素也可以看一些垂直的搜索业务，比如电商搜索等。4️⃣确定方向1：基础内容理解方向：主要依靠NLP，多模态等2:  query方向：包括 query 的纠错、改写、扩展、分词等。3：召回方向：给定一个查询词，从库中召回有效正确的候选集，并将结果返回给排序，召回方式有很多种，召回主要有倒排索引召回和向量召回两种。4：相关性方向：搜索相关性用于衡量Query和Doc的相关程度，是搜索引擎的重要环节。5：排序方向：粗排，精排，重排，和推荐的排序算法比较接近。5️⃣深入学习1.深入学习如Dijkstra算法、Kruskal算法、Prim算法等，理解它们在图的最短路径、最小生成树等问题中的应用。2.参与实际项目，如搜索引擎、路径规划系统等，将所学的搜索算法应用于实际问题中，解决项目中的搜索相关问题，积累项目经验。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

今天，老师介绍一下AI大模型算法基座研发和应用开发的区别与联系，助力相关同学的职业选择。✴️两者核心区别工作目标与场景1️⃣基座研发：聚焦底层模型创新，目标是构建更大规模、更强泛化能力的通用大模型（如DeepSeek、通义千问），解决模型结构设计、训练稳定性、数据质量等核心问题。集中在头部科技公司（如字节、阿里、腾讯等互联网大厂、DeepSeek团队），岗位稀缺且招聘门槛极高（定向挖掘顶尖院校/实验室人才）。门槛高当然薪资也是顶级的，应届生起薪可达50-80万，博士甚至可以拿到百万以上年薪。AI应用岗：覆盖互联网企业、传统行业（如能源、金融），岗位需求量大，更注重项目经验和工程能力。薪资待遇同样可观，大厂起薪普遍40万+。2️⃣AI应用岗：基于现有基座模型，结合业务需求开发上层应用（如智能客服、文档分析系统），核心是模型与场景的适配，需解决工具调用、知识增强、接口集成等工程问题。技术门槛与能力要求基座研发：一般需要顶尖学术背景（如985/强211硕士以上）、深度学习理论功底、大规模分布式训练经验，且需要熟悉前沿算法（如MoE架构、RLHF优化）。更强调工程落地能力，对于学校和学历相对比较友好，并且适合有后端开发经验的同学转型。需要掌握RAG、Agent框架（LangChain/AutoGen）、Prompt工程等应用技术，以及业务逻辑理解能力（如电商、金融、医疗领域知识）✴️两者核心联系技术依赖与协同基座为应用提供基础能力：AI应用岗依赖基座模型的通用能力（如文本生成、多模态理解）实现业务功能。例如，RAG系统的检索增强生成需基座模型的上下文理解能力支撑。应用反馈驱动基座优化：应用场景中积累的数据（如用户交互日志、领域知识）可反哺基座模型的微调与迭代，形成技术闭环。✴️总结基座研发：适合学术背景强、追求技术前沿的科研型人才，需长期投入算法研究，但职业风险较高（如技术路线变动）AI应用岗：适合工程能力强、熟悉业务落地的实践型人才，市场需求稳定且转型灵活（可跨行业复用技能）两个岗位的协同将持续推动AI从实验室走向产业纵深，形成“基座创新→应用反馈→基座迭代”的技术发展路径。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1️⃣自我介绍2️⃣项目拷打这一部分决定了面试官对于你经验的评估，项目的理解要深一些，这个只能通过不断打磨完善项目经历。✅微调项目：1.业务背景2.数据的构成，是否使用了合成数据3.训练的过程中用了什么方法（为什么用这样的方式，用别的方式会有什么问题，是否尝试过）4.如何评估整体的效果5.微调之后是否还会出现幻觉的问题，出现了的话应该怎么处理6.这个能力是否只能用在当前业务场景，是否可以作为一个通用的能力7.是否尝试过用其他的基座模型✅应用层项目：1.业务背景2.逻辑框架3.优化前和优化后的能力差距4.遇到最大的困难是什么？怎么解决的是否还有别的优化方式5.某个流程是否可以进行再优化6.上线之后的效果反馈3️⃣通识考察（1）Transformers 和之前的模型的区别，为什么 Transformers 好？（2）介绍下 Bert，框架，预训练和后续的微调任务？（3）为什么 Bert 适合做向量模型，底层原理是什么？（4）RoBERTa 做了什么优化？（5）想要大模型输出的内容都为 json 格式，怎么实现？（6）OOM 问题怎么处理（7）大模型的参数量是怎么计算出来的？（8）DeepSeek R1 的训练方式，GRPO 的原理是什么？（9）基于过程的强化学习和基于结果的强化学习的差异是什么？（10）Agent 的概念是什么？整体流程是怎么样的？（11）DeepSeek R1 对于 Agent 的能力是否有提升，如何进行运用？（12）RAG 的整体流程和评估方式？（13）如何解决 RAG 中信息覆盖率低、幻觉、逻辑计算的问题？（14）大模型的数据合成应该怎么做？有哪些方式？（15）DeepSpeed 的三个 stage 分别是什么？有什么作用？（16）模型并行和数据并行的区别是什么？这两种方式的数据流和梯度是怎么更新的4️⃣手撕代码✅算法代码：手写位置编码手写多头注意力机制Leetcode：零钱兑换最长递增子序列打家劫舍最长公共子序列跳跃游戏📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

#简历中的项目经历要怎么写# #大模型# #大模型面经#

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

✅一面 1、问了所在公司的部门的组成，我个人的工作经历2、项目详细介绍 包括业务 我所做的工作内容3、项目中的Doris怎么给分析师使用，直接给分析师使用吗？4、公共维度退维遇到的问题5、做实时大屏有什么价值6、现在项目用的什么技术比较多？7、Flink的checkpoint和savepoint是什么，它们有什么区别？8、项目遇到的问题，接触过flink实时开发多吗9、目前遇到的flink背压问题，怎么处理的10、说下MapReduce执行流程，追问发生了几次排序，都在什么阶段发生的？11、实时数据是怎么落盘的，落到哪里，用的是什么引擎？12、Flink的开窗有哪些模式？13、项目中用过ClickHouse吗，为什么选择Doris不选ClickHouse14、Flink的精准一次性是怎么实现的15、跑MapReduce任务的时候，发现数据倾斜问题，会怎么解决16、MapReduce数据倾斜发生在哪个阶段17、Flink怎么保证端到端一致性18、你在项目里学到过什么19、rank、dense_rank、row_number的区别20、说下数仓建模21、面试官介绍业务22、反问📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

✅一面 1、如何对模型的推理速度进行改进？2、知识蒸馏一般怎么样的方法？3、知识蒸馏loss的选择？4、多任务学习如何融合多个loss？5、多任务学习样本有没有什么trick？6、当训练遇到bad case了，模型改进后如果对原来的性能有影响应该如何应对？7、强化学习能否帮助模型稳定训练？8、传统的nlp的模型和深度学习nlp模型本质的区别是？9、代码题：合并区间（leetcode56）✅ 二面‍1、简历拷打2、AUC如何计算？3、离线auc提升，线上没有提升，可能问题在哪，如何排查4、layernorm & batchnorm?5、llama2用怎样的normalization方法？6、如何解决样本稀疏或者冷启动问题？如何从系统层面解决？7、如何进行item的提权？8、粗排模型样本空间/样本选择？9、多目标学习跷跷板现象如何解决？10、只拟合视频时长或者视频完播率会有怎样的问题？11、视频时长是怎样的分布？如何解决这种问题？12、特征交叉相关模型？13、DIN模型，DIEN模型？14、序列长度不一样的话如何做mask？15、特征重要度如何做的？交叉特征的重要度如何衡量？16、代码题 leetcode76（出现了！是hard！）📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。