AI Infra / 数据岗考察:大模型训练 / 推理框架 + 算力调度 + 数据工程 + 性能优化。硬核工程岗。   1、工程 / 部署 / Infra  vLLM 的核心优化是什么  思路:PagedAttention(分页 KV cache) + Continuous batching(动态合批) + 量化 + prefix cache;吞吐比 HF 高数倍。   模型量化 / 蒸馏的区别  思路:量化: 降精度(FP16→INT8/INT4),结构不变;蒸馏: 教师→学生,结构变了;可叠加。   端侧部署的挑战  思路:算力/显存/电耗受限;要小模型(SLM 1-7B) + 量化 + ...

蚌住了，沉淀三个月  收到的面试反而更少了，大部分做完了测试就了无音讯，大模型应用，产品，AIGC，甚至售前工程师我也愿意做啊！这个时代怎么了？为何不愿意接受双非生😭

本文按公司归类 AI 方向高频考察问题 + 面试要点。   字节 常考方向:题量大、节奏快;项目深挖 + 八股 + 手撕几乎必考;Agent / AI Coding / 大模型方向最近一年高频。 高频面试题: 项目深挖 / 简历  介绍一下你做过的最有挑战的 AI 项目  思路:选 1 个有 AI 含量(不是套壳)、有指标、有踩坑的项目；按「业务背景→技术方案→关键难点→指标」4 段讲,控制 2-3 分钟。   这个项目的核心难点是什么  思路:抓「非确定性」难点(评估难/数据难/对齐难/部署难),不要泛泛说「工程量大」。   选型为什么是这个方案?对比过哪些  思路:至少列 2 个候选方案 ...