1.介绍简历和项目；2.问了一些项目细节3.对于Agent的了解？对于RAG做了哪些优化？4.对于RL的了解，详细问了PPO的原理？5.问了一些场景题：比如单个LLM能否帮助用户完成行程规划（从出行到酒店，都订好票）？6.问了一些学校的事情，毕设做的啥之类的，为啥转行等问题

1.项目介绍2.llamfactory和huggingface框架的区别3.模型幻觉怎么处理，为什么会有幻觉4.模型输出的处理，如果输出不是你想要的该怎么办5.栈和堆，c++的智能指针代码：手撕最大堆

项目方面： 1、SFT用的什么模型？如何进行的蒸馏微调？只用数据还是logits蒸馏？2、LLM生成的数据如何直到是对的还是错的？如果没有金标准数据怎么办？3、你觉得这个项目的亮点是什么？4、智能体方面，ReAct架构具体是如何做的？规划智能体和生成SQL有没有交互？有的话如何防止一直迭代不结束？5、如何预防用户使用特定任务智能体干别的？八股方面：八股先问了一个：二叉树的层序遍历用什么数据结构？然后我有点突然懵，面试官就换了一个问题，介绍一个排序算法思想和逻辑，以及时间复杂度是什么。无手撕

目前编程助手cursor，claude，codex，github copilot，Qcoder，antigtavity，gpt，Gemini，Trae，qwen-coder等，大家推荐哪个，他们分别都有什么优缺点

1️⃣ 实习介绍2️⃣ 拷打 rag 项目：1.项目还可以提升的地方2.感觉自己可以多久完成这个项目3.dpo训练对于系统问答的优化在哪里4.提高模型的准确率核心是什么5.怎么提高数据的质量6.rag 文档怎么切分7.rag 向量化的模型8.rerank 用的什么模型9.有没有微调 rerank 模型/应该怎么微调10.dpo 用的什么库11.代码：已知无序数组，求第 k 大数

1、实习介绍2、简历项目深挖- 奖励函数设计：reward函数是如何设计的？数据集的配比是怎样的？- 编码树如何构建？为什么使用高斯分布？3、inductive learning和transductive learning有什么区别？4、实习深挖- Viking是什么？相关业务背景是什么？- 冷启动时，不同专家模型特征输入为什么不同- id特征为什么学习效果不好？5、手撕给你整数 delay 和 forget，以及整数 n。每个人在发现秘密后的 delay 天开始，每天可以分享给一个新的人。在发现秘密 forget 天后会忘记秘密，忘记后不再分享。求第 n 天结束时知道秘密的人数。

1.Qwen3-8B这里为什么使用 base 而不使用 instruct 模型2.topk和 topp 是什么?3.这个项目为什么不用 RL?4.Transformer 降维是怎么做的?的基本结构，并解释自注意5.Transformer 力机制。6.使用的 Embedding 模型结构是什么?输出向量维度是多少?7.代码:分析时间复杂度和空间复杂度。

1.项目介绍2.介绍实习3.数据集使用的是公开数据集还在有自己构造数据集4.分别讲-下 Dense 模型和 MoE 模型以及二者的区别5.讲一下MoE的 路由机制是如何做的6.训练完验证使用的是什么数据集7.做这个工作的过程中的难点在哪8.如何做的 SFTQ9.介绍一下 PPO10.讲-下 RAG° 项目11.分类任务常用的评测指标有哪些12.讲-下 LORA° 微调的原理13.A、B 矩阵怎么初始化的14.LORA 微调秩设置的是多少15.算法题:三数之和

1.实习介绍2.项目细节深度追问3.最长递增子序列的变种题型4. 二叉树公共祖先问题5.对其他特征交叉类模型的了解程度6.Wide&Deep模型的原理与应用场景7. DeepFM模型的结构设计与核心优势8. LHUC的技术原理及实际业务价值9.算法手写题：N皇后问题求解10. 反问环节

1.实习介绍2.手写 fm 公式3.解释 Ir 为什么不能自动特征交叉4.一个曝光用户从来没有交互信息，怎么过双塔5.写出 moe 的损失函数6.什么样子算自动特征交叉7.写出 Ir 的公式8.代码：二叉树中序遍历

1、Attention本质是什么？从向量空间变换角度解释2、多轮对话中Attention如何导致历史信息衰减？3、SFT数据清洗的具体流程？遇到低质量数据怎么处理4、RAG的chunk优化策略有哪些？怎么评估检索相关性5、DPO训练中的梯度爆炸问题如何解决？简历项目深挖：1、多工具调度模块如何解决冲突检测？2、工具调用超时后的降级方案设计3、自主构建的评估数据集规模？bad case分析维度4、微调Qwen时如何设计learning rate scheduler5、Prompt优化模块的A/B测试方案

1. 简历深挖围绕实习项目展开，问得很细，建议把自己做的每个模块的逻辑、贡献、思考都理清楚。2. 理论基础1.KL散度和交叉熵的关系？2.介绍LoRA，和全参SFT怎么选？小模型SFT vs 大模型LoRA效果可能如何？SFT数据集怎么构建？3.介绍AUC，它表达的是什么？4.Recall重要的场景下，如果recall很高但precision很低怎么办？5.Precision和Recall分别是什么？不同场景下如何权衡？哪个更重要？3. 手撕代码实现 shuffle 函数（注意洗牌算法的公平性和复杂度）

1.面试官先简单介绍团队，然后进行自我介绍；2.对项目和论文进行了细致询问；3.为什么多头注意力能提升表达能力？4.大模型中使用RMSNorm的原因？它和LayerNorm有何差异？5.LoRA和PromptTuning的区别，以及各自适用的场景？6.模型微调时是否遇到过过拟合？如何处理的？7.大模型推理时的加速思路？8.KV Cache是如何起作用的？为什么对长上下文推理很关键？算法题手撕：字符串的全排列。二叉树序列化与反序列化。

八股： 1.MMOE是怎么解决负迁移现象的？2.还有哪些解决负迁移的办法3.怎么解决跷跷板问题？4.MMOE极化现象怎么解决？5.模型加特征进去怎么判断特征的好坏6.bn的原理、bn可以用到特征筛选嘛？7.DIN、SIM具体实现原理代码：LC300.最长递增子序列