攒人品中，欢迎评论区交流～1.在 LLM 的推理阶段，有哪些常见的解码策略?请解释 Greedy Search，Beam Search，Top-KSampling 和Nucleus Sampling(Top-p)的原理和优缺点。2.什么是位置编码?列举两种实现方式。3.请你详细介绍 ROPE，对比绝对位置编码它的优劣势分别是什么?4.MHA ,MOA,GOA 的区别。5.请比较一下几种常见的 LLM 架构，例如 Encoder-0 nly,Decoder-Only,和 Encoder-Decoder ，并说明它们各自最擅长的任务类型。6.什么是 Scaling Laws ?它揭示了模型性能、计算量和数据量之间的什么关系?这对 LLM 的研发有什么指导意义?7.请详细解释一下 Transformer 模型中的自注意力机制是如何工作的?8.什么是词元化?请比较一下 BPE()和 WordPiece 这两种主流的子词切分算法。9.你觉得 NLP()和 LLM 最大的区别是什么?10.开源框架了解过哪些?11.激活函数有了解吗，你知道哪些 LLM 常用的激活函数?为什么选用它?12.混合专家模型(MOE)是如何在不显著增加推理成本的情况下，有效扩大模型参数规模的?请简述其工作原理。13.在训练一个百或千亿参数级别的 LLM 时，你会面临哪些主要的工程和算法挑战?14.最近读过哪些 LLM 比较前沿的论文。

线上，面试官驻场的时候面的自我介绍实习拷打 JWT 加 Redis 双令牌机制，用户怎么授权的？Token在后台是怎么交互的？服务端怎么鉴权？（感觉面试官想引导我回答ThreadLocal，但是我没接）你说你用到了Redis，它是一个什么样的一个工具或者中间件？它主要用来解决什么问题？我就直接在应用里面用临时变量，比如Map当做Cache，它也是存在内存里面，为什么不选用这种方案？那这两种解决方案有什么优劣？数据一致性问题，讲解一下？那 Redis 有没有这个问题？怎么解决？那什么样的数据适合用缓存呢？你刚刚说了一个抢券的业务，那能不能描述一下这个业务里面哪些数据是可以用缓存来缓存的？那线程多...

很多刚准备求职的前端同学都会问：到底要刷多少题才够？其实没有绝对标准答案，但我个人觉得，前端方向刷到300道左右，基本够用。不用盲目追求千题，前端更看重框架项目和工程能力，算法是门槛而非全部。300题可以覆盖高频题型，吃透中等难度为主，简单题打底，难题适当了解即可。质量远大于数量，每道题弄懂思路，总结套路，比机械刷题有效得多。能稳定做出中等题，基本就能过绝大多数厂的手撕

云智校招礼盒，看着还不错的样子来云智实习也快8个月了，收获了满满