1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

润色了一下，这个简历还有救吗，春招还能上岸吗😭经历秋招洗礼，感觉运气>>实力

不知道过两年会变成啥样…   

秋招笔试里，最难的当属美团。算法题刁钻晦涩，计算机网络、操作系统考点极深，还有大量场景设计与逻辑推理。作为后端学生，做完只觉基础漏洞百出，也让我更清楚差距，之后针对性补了不少薄弱知识点。也可能美团那会我是第一次做的第一家笔试。#你做过最难的笔试是哪家公司#