本篇为学员投稿，二面已拿到 offer！，分享出来给大家参考。二面和一面完全不是一个风格。一面考的是你会不会，二面考的是你能不能用、能不能想。面试官是组内 tech lead，开场先聊了十分钟竞赛经历，问得很细，不是走过场，是真的在看你解决问题的思路。然后顺着项目一路追问，每个技术选型都要说清楚为什么，有没有考虑过其他方案。后半段聊到了 AI 对嵌入式行业的影响，这个问题很开放，没有标准答案，面试官更想看你有没有自己的判断。整体氛围比一面轻松，但对思维深度要求更高，背八股没用，要真的思考过。1. 自我介绍 + 竞赛经历深挖面试官让我介绍了一下参加过的竞赛，然后开始追问："你在比赛里遇...

大四上学期在某厂实习了三个月，说说真实感受吧。进去之前幻想的是参与核心项目、接触前沿技术。实际上每天就是写一些边角需求，改改前人的代码，开不完的会。mentor人挺好但也很忙，大部分时间还是自己摸索。最大的感触是：大厂没有想象中那么光鲜。工位很挤，实习生能接触到的东西真的有限，很多核心代码权限都没有。现在春招我反而没那么执着大厂了，更看重具体做什么、团队氛围怎么样。实习过一次之后你就会发现，公司名字真的只是个壳子，每天干的活才是实实在在的。

debuff叠满了，打招呼后已经没有后续了，连简历石沉大海的经历都没有（投都投不出去）！两段实习一点含金量都没有，求大佬们给我爆改一下，谢谢喵！

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...