1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...

最近才准备开始投，没实习，八股只看了一点点形势有点严峻😇

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司

✅ 春招备战指南 ✅ 💡 学习建议：  先尝试独立解题 对照解析查漏补缺   🧸 题面描述背景等均已深度改编，做法和题目本质基本保持一致。 🍹 感谢各位朋友们的订阅，你们的支持是我们创作的最大动力 🌸 目前本专栏已经上线200+套真题改编解析，后续会持续更新的  春秋招笔试机考招合集 -> 互联网必备刷题宝典🔗 小红书-2026.04.05 小红书-2026.04.05 这场还是历史原题复用，不过题目组合和 3 月 29 日那套不一样。第一题换成了 冲突约束，后两题分别是 强迫症 和 每日一题plus。 题目一：冲突约束 数组排完序以后，真正能保留下来的点会沿着数轴一格一格往后...