本人本硕双9，但是属于进入学校就躺平的类型，什么都不会，27届毕业，无技术岗实习、无论文、无项目，（本科一篇共一，研究生一篇2作，一作的正在写），组里做的脑科学交叉方向的，用到的深度学习也非常基础，本人一作的甚至用的传统方法，我还爱靠vibe coding。现在开始焦虑不知何去何从。。。鼠鼠目前想法有以下几种：第一，准备Java，刷力扣，背八股，冲大厂技术岗，但我应该去算法还是开发呢？算法我论文少没实习，开发我只会python，什么都不会；第二，大厂AI产品经理，借助AI专业背景、一段产品实习和一段vc实习，但本人技术专业出身，对商业、市场认知这方面十分匮乏；第三，准备央国企，银行或者国家电网等，但是本人本硕电子信息，并非电力专业，并且家里没关系，进入国企是否会不好晋升呢？第四，家长想要我回老家研究所或者考公考教师编等，但自己不是很想走这条路，我更想去一线城市，属于一种躺又躺不平，卷又卷不动的状态。目前我对这几类选择的学习路线以及申请难度都没有清晰的认知，求大佬们指点，我可以往什么方向努力，有什么学习路线，谢谢佬们！

一、市场上到底要什么人？去招聘网站搜“大模型”，JD看一圈就会发现，岗位其实就三类：① 基模方向：预训练、模型架构、scaling law门槛：顶会paper or 名校博士结论：有就有，没有就别强求，不是几个月能补的② Infra方向：分布式训练、GPU集群、推理加速门槛：扎实的系统底层能力结论：你们组是做这个的就可以冲③ 应用层方向  这是大多数人的机会！不动模型：RAG、Agent动模型：SFT、RL（RLHF/RLAIF） 0基础同学能在4个月内真正拿到offer的地方，就是应用层二、技能要会在点子上，别被概念带偏现在各种概念满天飞，A2A、MCP、GraphRAG...每周都有新名词...

发点面经攒攒人品项目拷打深度学习简答：1. Transformer -> Attention公式，原理2. Flash Attention原理3. LN和BN的原理和区别4. 常见的分类损失函数5. 常见激活函数有哪些6. ReLU公式，用法，存在的问题7. 常见的回归损失函数手撕代码交换正整数的两位数字，使其尽可能大给定一个N位、M进制的正整数，交换这个整数的两个数字（仅一次），使其尽可能大

面试很难，还是要多多练习！！！1.实习介绍2.你做的上下文扩大具体是怎么做的，原理是什么?3.相关长文本是怎么做几阶段训练的?4.除了所用的扩展方式，Deepseek、Llama的长文本扩展方案是什么，为什么选择当前方案而非其他?5.若要将模型训练到1000K的上下文长度，该从哪些方面实现，其中的难点是什么?6.32B模型训练用到了多少显卡?7.若将上下文扩展到1000K，该如何估算训练的算力用量?8.上下文扩展到1000K后，训练时显存会在哪些地方暴涨?9.用GRPO做后训练的过程中，遇到的典型或较难的问题是什么?10.针对上述问题，训练Skill的具体方式是什么?11.从算法设计角度，该如何解决模型无效调用工具、工具调用参数失败的问题?12.增量预训练中的"增量"具体指什么?13.增量预训练使用了多少数据，又该如何评估训练效果?14.系统介绍一下自动化评分的背景、所用手段、解决的问题以及达到的效果15.在模型迭代优化中，什么样的数据能进入数据闭环，筛选标准是什么?16.模型工具调用的准确率是如何计算的?17.分析PPO算法各部分在流程中的位置以及具体计算方式18.抛开实际应用场景，PPO算法的损失包含哪几部分?19.在实际流程中，PPO算法的相对优势是怎么计算的?