6000字长文：一份来自2025届的大模型/搜广推秋招经验总结
前言
最近这段时间，2026届的各位佬们应该差不多都暑期实习入职了
话说回来，其实我是一位2025届的学生，两年半学制，一月份毕业，目前校招已经入职快半年，马上面临转正了。大家可以从我的主页看到，去年暑期实习和秋招，我其实都更新了很多很多面经。秋招结束后，牛客这边基本就没有再经营了，也没有新的产出，这是因为我已经搬到了别的平台，目前所有平台都在另一边更新
某天打开牛客（很久没打开了
这篇文章可能会很长，大概分为这么几点内容：
- 我个人的暑期实习和秋招的简短回顾，也就是我的搜广推转大模型路线
- 因为我最终选择的是大模型岗位，因此还有简单的大模型秋招经验总结
- 大模型算法中如何介绍实习
- 我个人的技术博客路线
- 送给大家的一些话
话不多说，咱们开始吧
在介绍所有内容之前，先简短说一下我的个人背景吧：
- 学历：92硕
- 实习：两段大厂实习（一段推荐一段大模型）
- 论文：多篇A一作+一篇B一作
- 获奖：本硕国奖，其他杂七杂八的一些竞赛奖不说也罢~
1. 我的搜广推转大模型路线
我是两年半硕士，去年十月盲审的，秋招和毕业是高度重合的，我们学院选择按时毕业的只有10%左右。忙完毕业和AAAI参会事宜后，打算捋一捋我的经历。
我硕士研究方向偏GNN，也以一作身份发表了多篇A和一篇B。快手推荐算法实习结束后经过一段时间思考，去年年初决定转大模型。看了一些八股就去面试了，最终在零项目的情况下斩获了腾讯、蚂蚁和美团等互联网大厂的大模型暑期实习offer。秋招结束后，基本上拿到offer的公司，都给了SSP offer。总的来说，转的过程大概有以下这么几点经验。
第一，写博客。大模型实习期间很多东西都得新学，外加还得赶AAAI以及写毕设，因此压力还是极大的。我有个好的习惯是每周都花一点时间写写博客，在我看来，写博客并不是自己学完后随便记录以供下次复习使用，而是写博客本身就是一个学习的过程。在写博客时我必须尝试解释清楚一些东西：如果是写代码相关的，我会从输入到输出捋一遍数据的变化过程，捋完这个过程后，实现一个模型也就非常easy了；如果是写论文相关的博客，我也会细讲模型细节和公式。因此，我个人觉得最好的一个建议就是，自学时可以尝试写一些博客，这种博客并不是简单的笔记，而是公开供网友品读的博客。如果是自己看，可能会非常敷衍；如果选择公开，你会在意别人能否看懂，是类似老师的一种心态，这种心态会push你自己学得更加深刻，而不是浅尝辄止。你会发现，花很多精力写完一篇博客后，再看类似的博客，基本都能秒懂。靠着写博客，我在别的平台也积累了十多万的粉丝，这也算是对自己的一种认可。
第二，尽量争取一篇至少在投的论文。这点我深有体会。虽然我发的几篇A会论文主要围绕GNN方向，并非当时热门的LLM，但它们充分证明了我的研究能力和解决问题的闭环思维，这在面试中依然被面试官高度认可。对于自学转行的同学，一篇有质量的在投/已中的论文（不论主题，但最好与技术算法相关）可以成为你潜力的强力背书，帮助突破简历关，并展示你的深度思考能力。论文门槛因人而异，但强烈建议努力尝试。
第三，争取累积高质量实战经验。对于目标是顶级大厂核心部门的同学，两段相关实习或一段深入的高质量大厂实习是比较理想的。如果你的起点背景（如学校/项目）相对普通，第一段可以选择中小厂的日常算法实习作为跳板，快速积累工程经验和背景；第二段全力冲刺目标大厂的暑期实习，并争取留用或答辩拿到return offer。就像我在快手推荐算法实习结束后决定转向大模型，这段经历同样为我理解和应用复杂系统打下了重要基础。暑期实习因其完整性和深度，是证明能力的关键窗口。
第四，秋招可以考虑兼顾大模型与搜广推方向，拓宽机会面。从我最终的秋招结果看（拿到了多家大厂的SSP offer），这两个领域在核心算法思维、工程能力和对海量数据的处理上有很强的共通性（比如我在推荐系统里积累的复杂数据处理和模型训练经验，对大模型实战很有帮助）。在保证一个核心方向投入的情况下，适当关注另一个方向的头部公司机会，可以显著增加优质offer的选择空间。当然，准备要充分，避免精力过于分散。
2. 我的大模型秋招经验总结
2025秋招我总共面试了约60+场，收获了10+数量的offer，其中90%都与大模型相关。下边浅谈一下我的一些经验~
1 简历筛选
(1) 学校。双9＞92＞其他，清北华五人硕＞其他985硕，但一般985硕就够用。
(2) 实习。至少得有一段大模型相关的实习经历。如果想去大厂，最好有一段大厂实习。
(3) 论文。一般LLM方向A会一作＞其他方向A会一作 > 其他。如果你的实习产出足够优秀，或者有一些LLM相关的竞赛，其实论文可能无关紧要（一些头部岗位除外）。但需要指出，论文可能在最终定级时有着不小的作用~
2 技术面
大部分大厂的技术面为2轮或者3轮，每一轮的大概内容都差不多：
(1) 自我介绍。
(2) 实习。常见的问题有：负责了哪些？有没有创新？应用场景？为什么选这个开源基座？模型的输入输出？参数设置经验？全量还是LoRA？训练框架？SFT数据集构造过程？数据的多样性？RLHF数据集构造过程？什么RL算法？PPO、RAINFORCE++、DPO、GRPO、Dr.GRPO、DAPO等等具体原理？Reward设计？对比过哪些模型？如何评测？指标计算方法？效果如何？资源使用情况？实习中用到的XXX模型/架构/方法/流程的原理？实习中最有挑战的部分？客户如何使用？有没有其他解决办法？上线后的bad case如何解决？基于XXX场景如何重新设计？
(3) 通用八股，这部分也可能基于你的实习来问。常见的问题有：常见开源模型的架构，transformer、BERT、位置编码、分词、训练推理优化、DPO/PPO等。此外，ML/DL常见八股也会考察，比如损失函数，norm/残差、逻辑回归、AUC、类别不平衡、树模型等。
(4) 论文：常见的问题有：你负责了哪些部分？motivation？创新点？为什么效果会有提升？数据集介绍？针对这个工作后续有没有优化？如何落地？如何和LLM结合？
(5) 算法题：遇到的大部分都是LeetCode上的原题，比如Hot 100和经典150题，少部分会有一些智力题，以及手写MLP(minimax必考题)、MHA、MQA、GQA、Beam Search、LoRA等。
3 HR面
这部分可以看一下之前写的面经。一般就是个人优缺点、经历/价值观提问、实习、base地之类的。
3. 大模型算法中如何介绍实习
在面试中，介绍实习是所有面试官最关注的部分，这篇笔记我将结合我之前的面试经验，谈谈如何介绍实习。
（1）结构
背景：一句话说明实习的公司、部门和项目。
任务：明确你在项目中的角色和职责。
行动：详细描述你做了什么，用了什么技术，解决了什么问题。
结果：用数据或事实说明你的贡献和项目的成果。
简略的例子：我在XX公司的大模型团队实习，负责一个基于LLM的智能客服项目。我的主要任务是优化模型的对话生成能力。通过引入RLHF技术，我设计了新的奖励函数，并优化了数据采样策略，最终将客户满意度提升了15%。
（2）重点突出“大模型”相关经验
大模型面试中，面试官最关心的是你与大模型相关的实践经验。以下是一些必讲点：
模型选择：为什么选择某个开源基座（如Qwen、LLaMA）？它的优势和局限性是什么？
训练推理框架：如DeepSpeed、LLaMA-Factory、vLLM、xtuner等。
训练方法：是全量训练还是LoRA还是其他？为什么选择这种方法？哪种RL算法？Reward怎么设计的？实验符合预期吗？
参数设置情况：训练推理时各个参数如何选择的？
数据构造：SFT、RLHF数据集的构造过程，数据的多样性和质量如何保证？
评测与优化：如何评测模型效果？用了哪些指标？如何解决的bad case？
资源管理：训练和推理的资源使用情况，如何优化计算效率？
最后，如果上述介绍中涉及创新点，请一定要着重讲出来！！！
（3）量化贡献
面试官喜欢看到具体的、可量化的成果。以下是一些可以量化的方向：
性能提升：模型准确率、响应时间、资源消耗等指标的变化。
业务影响：客户满意度、转化率、成本节省等业务指标。
效率提升：训练时间、推理速度、资源利用率等。
例如：通过优化模型架构和训练流程，我将模型的推理速度提升了10%，同时将训练成本降低了20%。上线后，客户满意度从85%提升到了92%。
（4）展示思考和创新
在介绍实习经历时，可以加入以下内容：
技术选型的理由：为什么选择某种技术或方法？
解决思路：遇到挑战如何分析和解决？
创新：做了哪些创新？为什么这些创新有效？
4. 我的技术博客路线
这一部分内容可能没有必要，但是我也想谈谈
大一下我加入了老师的实验室，研究电力负荷预测（时序预测）并产出了一些论文。产出论文经历了几个阶段：首先系统地对常规ML模型进行了学习和数学推导，包括线性模型、贝叶斯、逻辑回归、SVM、K均值、决策树与随机森林、集成学习、KNN、最大熵、马尔科夫链、CNN、RNN等；然后，对上述模型进行了手动实现（不借助sklearn和pytorch）。手动实现的效果肯定比不上封装方法，但该过程加深了我对这些算法的理解，同时还产出了上百篇博客，这些博客目前已经有12W+的粉丝，1000W+的浏览和2W+的收藏；接着，看了一些电力负荷领域的综述文章；然后，和老师讨论并确定要解决的问题，同时想idea；最后，做实验+论文撰写投稿。
上述过程其实除了第一阶段都较快
我开始系统写时序预测的博客大概是大三开始，一开始在网上尝试看相关博客，但它们没有对模型的输入输出做比较系统的介绍，理解比较费劲。随即我沿着“数据在模型中从输入到输出的shape变化”这一主线，写了大概50篇时序预测相关的文章，目前大概有上百万的浏览和1W左右的收藏。
负荷预测当时的主流模型还是LSTM等RNN类方法和传统的ML方法，目前可能时空方法较多。我写的时序预测博客中包括了CNN、LSTM、CNN-LSTM、TCN、GNN、GNN-LSTM、STGCN、24种Attention-LSTM、Transformer、Informer、Autoformer等模型，以及上述模型的组合等。在这些博客中，主要篇幅用于描述数据如何从初始状态一步步变换到最终输出。
读研时开始在GNN领域发力，大概解读了一些常见的GNN模型，然后写了代码，同时解读了相关的论文，也产出了上百篇博客。
工作后，其实我也没有停止，多个平台依旧在同步更新大模型相关的内容（牛客除外
5. 后记
入职半年，从学生到职场人的转变远比想象中深刻。这段经历让我意识到：技术能力只是起点，职业成长的本质是解决问题的方法论和持续自我迭代的能力。分享几点可能对你们有帮助的思考：
（1）关于心态
- 秋招的挫折可能是转机：咱在各个平台毕竟也是有着十来万粉丝的人
- 职场没有“标准答案”：工作中最常被问的不是“怎么做”，而是“为什么这么做”。比如模型参数调优，老板更关心“你的决策依据是什么”，而非结果本身。养成归因习惯，比追求完美结果更重要。
（2）关于工作习惯
- 从“实现功能”到“交付价值”：学生时代写代码追求技术新颖性，但职场更看重落地效果。例如优化推理速度时，需同步考虑多种因素的平衡。
- 文档是你的第二张简历：清晰的表达能放大你的技术影响力。这也是我当年转行的关键：博客不仅是知识沉淀，更是思维可视化的工具。
（3）关于长期成长
- 技术深度：聚焦核心赛道，但别画地为牢 大模型方向推荐重点深耕两类能力： 硬核基础：模型架构（Transformer变体）、训练方法（RLHF/DPO优化）、推理加速（量化/蒸馏）；工程能力：分布式训练框架（DeepSpeed/Megatron）、显存优化技巧（GQA/KV Cache）。
- 业务敏感度：读懂技术背后的商业逻辑 建议多思考：你的工作如何帮公司赚钱/省钱？能说清这个问题的人，升职答辩会轻松很多。
（4）关于人际关系
- 主动求助 ≠ 能力不足，但不要太多。
- 不要“过度分享”：技术博客可以写，但涉及公司核心代码、数据、架构需严格脱敏。
最后送大家两句话：
- “选择比努力重要，但只有努力的人才有选择权”：我能在搜广推/大模型间灵活切换，离不开早期死磕GNN和推荐系统的积累；
- “职场是马拉松，但秋招是冲刺跑”：提前批在即，放下完美主义，先行动再迭代——你不需要准备好100%才投简历，70分足够叩开门。
如果看完仍有困惑，欢迎留言（主页有指路）
腾讯开奖360人在聊