深信服线下点击就送

主播确实一点没准备。随便投着玩的，等于裸考了，水平和大一没什么区别。1. 介绍项目2. transformer介绍一下 QKV的作用3. python的库 简单说几个4. python 列表和字典5. 数据的大小 平常怎么洗数据的6. few-shot怎么做的（项目相关）7. 平常怎么做Prompt  Engineering的8. 怎么训模型的 用的什么卡 多少时间9. API调用（pytorch, tensorflow）10. 为啥用Qwen3 (因为这个API免费)

面试是24年7月的现在已经入职几个月了，补一下面经，帮有需要的同学参考。BG：本硕985 计算机论文1A1B一面：技术面自我介绍 & 简历相关。简单介绍了自己在多模态和大模型方向的研究/工作经历，包括在校期间的论文工作以及实习经历。面试官主要针对简历上的项目提了一些细节问题，比如具体模型的量级，提升了多少，和哪些方法做了比较等。因为是自己的工作，所以没有卡壳。问有没有遇到过 Python 文件之间互相 import 的问题，出现这种问题怎么办？让我简单介绍了一下 PPO 算法，以及和 TRPO 的区别是什么？接着 PPO，问了一下 ChatGPT 的 RLHF 流程，以及为什么不直接用 SFT，而是要用强化这么麻烦的方式训练模型？继续追问 RLHF、SFT、LoRA 的区别，分别适用于什么场景？反问：公司现有业务是什么，计算资源情况等。二面：主管面论文介绍。让我用通俗的语言介绍我自己发表和投稿的论文，重点是研究动机和要解决的问题。问有没有亲手训练过大模型，最多用了多少张 GPU 卡？并行训练使用的框架是什么？介绍一下 DeepSpeed，说一下这个框架在并行的不同阶段（ZeRO stage）分别做了哪些事？训练模型的时候，数据量有多少，怎么收集数据的，训练花了多少时间？遇到的最大问题是什么？问在大模型全量微调时，显存消耗分别由哪些部分占用？（参数、梯度、优化器状态、激活信息等），分别占用多少？假设模型参数量为N，请分不同情况讨论和计算一下微调所需要的显存（不同精度、batch size、seq len 等）。说一下 LoRA 公式，讲一讲其中 A 和 B 两个矩阵分别表示什么。LoRA 的优缺点是什么，什么场景下适合使用？问知道哪些大模型训练和推理框架，用过哪些？问 LLaVA 的结构是什么，和常规的纯文本大模型有什么区别？Encoder-Decoder 结构的模型转 ONNX 的一般流程，遇到不支持的算子怎么办？可能遇到的问题（动态 shape、模型中逻辑判断需要单独写、模块拆分等）。三面：HR 面主要问了为什么选择公司，对团队的看法，对岗位的认识；未来大致的规划，面试过程的体验，有没有别的公司的 offer 等。以及询问了期望薪资等。之后就是等待，最终和期望薪资基本一致。总体感受面试流程比较顺畅，问题也比较贴合岗位要求；如果和岗位匹配度高，一般流程推进速度会很快。入职以后，工作内容和面试被问的问题也差不多，基本上都是算法工程师需要做的内容，团队氛围也很不错。只是毕竟是企业，不可能光搞研究，在承接业务时还是免不了和很多人打交道和来回battle需求，这个无可避免。

终于讲到一个还没寄的人才计划了，感谢兴子一面：兴子好像每一轮面试都是采用的群面的方式，每轮面试都是至少2个面试官在场兴子整体的面试氛围比较轻松，首先也都是介绍一下简历里的项目和实习，然后就是就是面试官对简历的项目进行提问，由于自己做的项目都是偏基础软件的项目，感觉面试官也并不是很懂，唯一相关的就是正在进行的实习，是做LLM推理Infra的经历，然后就是正常询问，问问做了哪些工作，有什么收益，感觉更像是我自己在说，他们也并没有深问，而且虽然投递的是大模型算法的岗位，但是实际上并没有拷打算法八股，反而是问了几个cpp和OS的八股，都比较基础，时间有点久也不太记得了。然后手撕只能算撕半个题，就是最经典的DP爬楼梯问题，让我把状态转移方程写出来就可以，不需要我写完整的代码哈哈哈哈，然后一面就比较轻松的结束了二面：二面当时去车站接女朋友了，然后出租车堵在路上了，无奈就没用电脑面试，用手机面了全程，最后手机还没什么电了，借了出租车师傅的充电器才完成的面试。二面就是综合面试了，感觉是轻技术重性格的一轮面试，问了很多开放性的看法问题，对xxx是什么看法，如果遇到xxx你会怎么想等等这类的问题，然后就是问了问在校期间最难忘的事情是什么，我说是本科打竞赛的时光，很充实，和队友一起碰撞思想很有意思，然后面试官就顺着这个问题继续问，问我如果队友没有完成他应做的工作会怎么做什么的，我就如实回答说我的两个队友都非常积极，我们都是遇到问题一起解决，谁遇到卡点了，其他人都会帮着一起看等等这样的问题。最后就是问了问我有没有女朋友，女朋友是做什么工作的，在哪里上班啊这样的问题，然后和这个部门的base地（上海）也都比较近，所以没有像腾讯那样不太好回答三面：三面相对来说是技术含量最高的一轮面试，这一次就是会拷打一些大模型相关的知识，让我觉得这才是正常的算法岗吧哈哈哈哈三面一开始也是一样介绍简历里的项目，并且进行深入的提问，对于实习经历重点问了问，因为比较相关，然后这边的部门感觉主要的业务是做AI Coding工具的部门，问了我很多Agent和RAG的一些知识，我说Agent没有做过相关的项目，但是大概了解过一些基础的框架如：LangChain等等，然后又问我对RAG技术是什么看法，这个问题我的回答有点狂了我说我不太看好RAG技术，感觉这是一个混淆概念对技术，面试官问我原因，我说与其把精力放在做RAG上，不如提升模型等Long Context能力，但是后面回想了一下，这两个工作的方面其实也不一样，一个是提升使用LLM的能力，一个是提升LLM自身的能力，当时不知道怎么回事就脑子一热了，面试官也没有拷打我，就说即便RAG技术不以现在的形式存在，也可能以另外一种方式存在，然后我就顺着他的话说是的是的，我刚才的表述不太准确然后就是简单的业务咨询和反问环节了，面完三面之后已经过了很久了，中间让我提交了一次附件材料，让我把获奖证书，奖学金证书什么的上传一下，说要进行评估，然后到现在也没啥消息，不过倒是不是很慌，三面的面试官就是推我进来的人，我俩有联系方式，我经常骚扰他问他进度，他给我的回复也都是还在蓝剑流程，所以也没有很慌哈哈哈哈，就看后续还有啥流程吧

数据开发岗 秋招第一个面试，被狠狠拷打了1.spark和flink有哪些共性和区别2.你说到flink是一条数据一条数据的处理，那我们要对以前数据做聚合会怎么处理(状态机制)3.状态怎么进行恢复和使用(checkpoint机制，下游二阶段提交)4.为什么会有二阶段提交5.了解过二阶段提交机制怎么实现吗6.两阶段提交是保证卡夫卡提交和checkpoint机制同时完成，怎么去保证这个事情，状态保存在哪里7.flink针对kafka是怎么去传递两阶段结果的8.对spark有哪些自己的理解9.spark为什么能处理大规模数据集(高并发)10.多台机器处理，内存是比较宝贵的，数据过大，内存放不下怎么处理(写盘)11.spark当中结点分为那些类型12.大规模数据集，不断落盘，是写到同一个磁盘文件还是多个磁盘文件13.spark中间会一直生成小文件，如何处理14.什么是OOM，什么时候会出现OOM15.怎么去定位OOM出现在哪16. jvm, 内存模型17.spark SQL怎么执行(任务调度)18.底层资源调度是什么资源19.程序运行，内存放的什么东西，怎么管理内存，内存分配20. MySQL执行引擎21.什么是聚簇索引22.为什么要回表，什么样的操作会回表23.介绍什么是b+树24.知道平衡二叉树吗，什么是二叉树25.精准一次语义，kafka中有那些语义26.java这一块熟悉哪些内容，对java这块实现数据结构了解那些27.hashmap底层怎么实现，怎么去实现不可重复的，如果重复了怎么处理。hashcode和equals方法有什么区别和联系，如何判断是否和现有的key相同28.线程安全问题，什么是线程安全29.主要课程包括哪些30.大模型这块，transform架构了解过吗，用来做什么31.SQL题，求班级TOP5学生信息32.SQL锁机制，多个用户同时去写一条数据33.锁机制和事物区别34.什么是悲观锁什么是乐观锁35.乐观锁怎么实现36.进程和线程有什么区别，怎么去调度线程/进程运行，了解过协程吗37.一个进程中包含哪些部分，哪些数据38.讲一下堆和栈，栈有哪些应用反问后续，9.26约二面