在线教育，7月份入职，很慌。

双非硕 目前研一 研究方向图神经网络 有一篇3区论文找实习有大佬分享一下找实习的经验吗 我看很多实习岗位要求顶会论文    

20分钟 短小精悍 面完说过了 约了下一面问了很多没见过的问题 自我感受中厂的面试官能力比某些大厂的能力搞得多,很多次都是中厂面试更有收获,大厂毫无营养整体收获非常大 问的问题都非常有营养 1.自我介绍2.RAG介绍?更深入的理解?嵌入模型是什么?3.除了余弦相似度,还有什么什么算法?4.用的什么模型?多少参数?5.流式是怎么实现?有哪几种状态?流式输出客户端取消了会发生什么?6.之前deepseek使用的r1还是v3?你对他们底层的有什么理解呢?微调呢?7.温度系数是什么?topK是什么?重复出现惩罚度?8.上下文窗口了解么?超过阈值要怎么做?maxToken了解么?9.redis实现分布式锁知道么?看门狗机制说说?10.用redis做过消息队列,订阅发布试过么?11.死信队列是什么?12.Spring 的spi有接触过么?13.哨兵机制?有没有用过lua脚本?lua脚本能做什么呢?你知道lua在集群和单机会有坑么?(真的有收获了,这才是真爱面试官)else:1.有遇到什么困难的问题么,最终解决有过么?2.平时怎么提升自己的水平么?3.我们这边的业务也有在做agent相关得项目,所以整体来看的话你还是比较合适的当场出结果是,过辣推荐我再看看大模型微调的内容,还有具体的业务细节,工作中会有帮助总体收获颇丰,问题都很有营养,面试官也很温柔细致,20分钟顶的上大厂2个小时的营养,爱---后续4.21 我还以为是二面额 但是说直接终面了问了些个人信息 直接等结果了

2本9硕，目前研一，没实习没论文，会Pytorch，深度学习相关的经典论文都读了，掌握的还可以。组里的方向是多模态，我个人也挺喜欢这个方向的，但是导师很放养，什么都要靠自己，不过如果真的有东西导师会给出钱给租服务器。有没有大佬给点建议现在应该干什么，是继续沿着这个方向继续学习下去还是找个日常实习去实习啊，学习的话有没有大佬指一条方向，实习的话我这种情况能找到算法相关的日常实习吗，整个人特别迷茫完全不知道该干什么。

真服了，我不信有这个题，还不会常见的业务题◆ 大模型（LLMs）基础面• 目前主流的开源模型体系有哪些？• prefix Decoder 和 causal Decoder 和 Encoder-Decoder 区别是什么？• 大模型LLM的 训练目标 是什么？• 涌现能力是啥原因？• 为何现在的大模型大部分是Decoder only结构？• 简单 介绍一下 大模型【LLMs】？• 大模型【LLMs】后面跟的 175B、60B、540B等 指什么？• 大模型【LLMs】具有什么优点？• 大模型【LLMs】具有什么缺点？◆ Layer normalization 篇• Layer Norm 的计算公式写一下？• RMS Norm 的计算公式写一下？• RMS Norm 相比于 Layer Norm 有什么特点？• Deep Norm 思路？• 写一下 Deep Norm 代码实现？• Deep Norm 有什么优点？• LN 在 LLMs 中的不同位置 有什么区别么？如果有，能介绍一下区别么？• LLMs 各模型分别用了 哪种 Layer normalization？◆ LLMs 激活函数篇• 介绍一下 FFN 块 计算公式？• 介绍一下 GeLU 计算公式？• 介绍一下 Swish 计算公式？• 介绍一下 使用 GLU 线性门控单元的 FFN 块 计算公式？• 介绍一下 使用 GeLU 的 GLU 块 计算公式？• 介绍一下 使用 Swish 的 GLU 块 计算公式？◆ Attention 升级面• 传统 Attention 存在哪些问题？• Attention 优化方向• Attention 变体有哪些？• Multi-head Attention 存在什么问题？• 介绍一下 Multi-Query Attention？• 对比一下 Multi-head Attention 和 Multi-Query Attention？◆ transformers 操作篇◆ LLMs 损失函数篇◆ 相似度函数篇◆ 大模型（LLMs）进阶面◆ 大模型（LLMs）微调面◆ LLMs 训练经验帖◆ 大模型（LLMs）langchain 面◆ 多轮对话中让AI保持长期记忆的8种优化方式篇◆ 基于langchain RAG问答应用实战◆ 基于LLM+向量库的文档对话 经验面.......