作为AI产品经理，大模型选型需要从业务目标、技术特性和资源投入三个维度进行系统性评估。分步骤的选型：1. 场景需求拆解- 任务类型：区分生成式（GPT）、理解式（BERT）、多模态（CLIP）等任务需求- 性能指标：明确时延要求（如对话场景<2s）、准确率阈值、内容安全等级- 输入输出：处理文本长度（如法律文本需支持10k tokens）、多语言支持需求2. 技术参数评估- 模型架构对比：Transformer层数（如LLaMA 7B vs 13B）、注意力机制差异- 性能基准测试：在HuggingFace OpenLLM Leaderboard等榜单比对MMLU/HELM得分- 领域适配性：检查是否经过垂直领域微调（如Med-PaLM 2医疗专用模型）3. 成本效益分析- 推理成本计算：API调用成本（如GPT-4 $0.03/1k tokens）vs 自建GPU集群成本- 算力需求评估：模型参数量与GPU显存关系（7B模型需至少16G显存）- 长尾运维成本：监控维护、版本迭代、安全补丁更新等隐性成本4. 工程化适配度- 部署方案验证：测试ONNX转换效果、量化后精度损失（INT8量化典型损失2-5%）- 扩展能力测试：分布式推理效率、最大并发请求承载量- 工具链完整性：配套的Prompt工程工具、评估体系、持续训练Pipeline5. 风险合规审查- 数据隐私合规：评估模型训练数据来源合法性（如排除版权争议数据）- 输出可控性：测试有害内容生成概率及防护机制有效性- 许可证审查：确认商用限制（如LLaMA商用需单独授权）6. 迭代路线规划- 短期方案：采用API快速验证（如Azure OpenAI）+ RAG增强时效性- 中期过渡：微调行业小模型（LoRA适配器方案）- 长期演进：构建混合模型架构（大模型+规则引擎+传统ML）                

BP16 和 FP16 在存储结构、精度表现、数值范围以及适用场景方面有什么不同？训练时使用bf16更稳定，表示范围大，并且自带隐式正则化buffer；推理时使用fp16比bf16更好，因为fp16表示精度高。 https://www.zhihu.com/question/616600181/answer/3194881239怎么解决训练使用float16导致溢出的问题？使用 缩放因子 trick混合精度训练kv-cache的作用一种缓存技术，通过存储键值对的形式来复用计算结果，以达到提高性能和降低内存消耗量化方法的分类按量化对象分：KV Cache量化、模型权重量化、激活值量化-按量化阶段分...

1. （项目的点衍生出来的）RoPE 原理，手撕2. Transformer MHA 手撕3. vLLM为什么能加速？PagedAttention4. CPU/ GPU 架构，为什么设计 GPU5. GPU 硬件架构具体介绍一下6. 发散的问题：怎么看待AGI，怎么看待大模型的“智能”，平时用什么大模型？（回答豆包，感觉应用做的比较好）感觉整体问的还是比较深入的，一个问题可以拓展出很多细节。问题比上午的电信更理论一些，电信更落地更贴近业务（？可能是面试官的仁慈）偏八股吧，美团全是项目…可能是暑期实习和日常实习的差别？

旷视科技自动驾驶C++开发实习面经Time List02-17 投递简历02-21 约面02-24 一面一面项目拷打1. 项目一  1. 讲解一下无人机轨迹规划的流程，需要注意哪些部分。  2. 无人机轨迹是如何表示的，如何确保其满足运动学约束。  3. 运动规划后端是如何优化前端搜索出来的轨迹的。  4. 无人机能耗是如何建模的。2. 项目二  1. 项目端到端的输入和输出分别是什么。  2. 强化学习在项目中的作用是什么。  3. 项目的网络架构是怎么样的。  4. 如何通过reward更新策略网络的3. 项目三  1. 什么是非抢占式调度。------------------------...