中广核的住宿条件真的好

从广州出发深圳熟悉的配方和味道这次活动有挺多不同城市的同学聚在一起本人虽然有点社恐，但这次居然主动社交了起来我回去得重新测一下mbti了哈哈哈哈哈哈这次的活动是持续2天第一天有一个开营仪式，有点像冬令营？（不是，深圳没有冬天）紧接着是各位前辈们介绍、分享我觉得蛮不错的，有几个前辈毕业两年，所以分享的内容也非常具体再就是和部门的交流了不得不说平安产险科技的办公大楼真气派楼下地铁站是购物公园旁边很多酒吧，太适合周五的happyhour了（有点期待）第二天是小组任务我其实不是很喜欢玩任务，可能还是因为i人的缘故喜欢安静地听分享哈哈哈哈哈分组完之后就开始各个小组的任务了去城市某个点（具体咱就不说了）最后是小组的分享大家都很优秀，短时间内可以呈现很多内容结束那天是周五天气不是很好，也有点累但这次的行程收获蛮多的最大的收获就是认识了几个入职搭子以后可以约饭啦

算法岗面试95%，全可以被预测！

路过的大佬们给点建议吧，有用的建议一定会采纳的，目标是CV/多模态算法岗！！！

结合最近辅助修改的简历及项目，老师总结了部分大模型微调简历的踩雷点。🙅‍♂️错误示范：在 x任务中，获取 xxx 条数据，通过规则 or 脚本清洗出 x 条数据，然后微调 y 大模型，在业务上提升 x 个点。✍🏻原因:大模型微调的平台是现成的，基模是现成的，体现不出核心能力。✅应该怎么写？首先介绍业务背景：业务是一个销售对话业务，机器人是销售，代替真人，直接面对用户。我们会给模型设定任务，任务是 prompt 。步骤1️⃣．提取训练数据问题：1.真人通话每通电话任务是未知的，我们训练数据是任务＋通话的 pair 对。2.真人通话很乱，与客户的对话是各种交叉的，导致 asr 后并不是一人一轮。解决方案：1.首先通过大模型 prompt 对该通电话提取任务，得到任务＋ pair 对。需要用到 cot + reflection ＋多 Ilm 一致性+ debating 的模式。2.使用大模型根据以上任务和真人对话，让大模型编写出通话内容。提问，为什么要编写而不是直接用？步骤2️⃣．制定训练数据集问题：1、正常的对话内容，前面几句和后面几句基本上一致的。都是问候和拜拜，但是也有一些差异。2、因为都是相似场景，虽然任务不同，但是很多场景语义很相似。解决方案：1、基于轮次的权重采样：通过轮次设定权重进行 weighting sample 。解决问候和拜拜的高占比问题。2、基于语义的采样：使用 bert 对对话内容进行 embedding ，然后使用层次聚类通过调节阈值聚类出相似语义的类。对一个类里的样本进行随机采样，提问，为什么要对重复语义的数据进行下采样？3、基于客户类型和产品的采样，因为很多产品是热品，导致对话内容有偏，用户类型一样，需按照类型调整整体比例采样。提问，为什么要这么采样？步骤3️⃣．制定训练数据集我们直接把输出当作 target 进行训练。使用的 lora 训练，但是 lora alpha 设定成为4倍的时候达到了比较好的效果，经验值不同任务不一样，提问，在各种情况下要怎么调？步骤4️⃣.dpo训练问题：v1版本训练时，很多输出内容是对的，但是输出的语气不太像真人，机器人味还是很严重。解决方案：由于训练本身是有 ground truth 的，因此使用v1训练的模型，预测训练集，使用大模型对比两者语气不符合训练集的拿出来，使用训练集的 ground truth 和模型的预测数据作为 dpo 训练对，对v1版本模型重新训练。📳这里老师只是简要进行概括解答，具体情况和详细解答可以咨询辅导，如果想了解项目辅导，提升面试能力，欢迎后台联系。