字节面经

2025/10/22 一个小时晚上约HR面HR面一周左右oc😭…………………………自我介绍实习经历手撕变种LRU八股用户态内核态怎么切换多线程怎么切换调度页表学习工作遇到什么困难吗反问…………………………好累😥

10.17 投递10.17 约面10.20 一面10.22 二面10.23 三面10.24 offer 审批通过牛客 yyds

最长公共子序列 求序列？中间endpos作用？是否一定包含在最终序列中？（没跑通，时间不够寄了）复盘：没睡醒没想起来该用backtrack来恢复序列，写的方法错了。rand5实现rand10？期望次数？有优化空间吗？（最后一个没答上来）后续复盘：之前我答的rand5(), 若1，3则 += 0， 2，4 += 0，5重骰，这种方式无法优化但对于rand5() * rand5()，若<= 20则直接%，反之重骰，这种方式有优化空间：落在21-25不重骰，直接复用作为另一个rand5Logistic regression？为什么用CE不用MSE？（先说了极大似然估计，追问还有吗，讲了数值稳定性并加上了sigmoid函数后两者梯度的公式推导）二分类指标？解释一下AUROC？实现中怎么做？（acc --> recall, precision, F1 --> AP & AUROC; 写TPR FPR公式 ;离散化，给定若干个threshold，记录点，然后处理成类似柱状图的计算方式）模型训练出现NaN或者loss不下降的情况？简历项目拷打，讲的强化学习介绍一下强化学习的这些策略？DQN -- > PG --> AC --> A2C，没来得及讲PPO，追问Q和V的关系问GRPO的具体reward？（大致按照自己理解讲了一下怎么从PPO来的，核心在同个state做出不同动作多次采样，归一化训练），训练时间与PPO相比？（其实不是太清楚，从策略空间分析了一下，单次epochGRPO更慢，因为多次采样，达到相同效果需要时间更少，因为当策略空间很大时，PPO需要更多采样次数才能达到与GRPO相同的效果，即多次到达同一个state 选择不同action）训练过程除了你讲的多次采样还有区别吗（没答上来）Update: 没想到过了，感谢面试官捞人！

二面 1、实习项目中spdlog库的使用方法 2、聊了一下工作地点，职业规划 3、简单问了下实习 4、是否有系统性地学习过机器学习或深度学习课程？大模型相关的算法背景和理论知识是如何构建的？ 5、具体说明你在大模型领域学习了哪些内容，以及是如何学习的 6、讲一下你对强化学习的了解 7、除了RLHF，是否了解强化学习中的其他具体算法（Q-learning、策略梯度等） 8、这些强化学习算法与大模型中的强化学习是什么关系？ 9、了解PPO算法吗？ 10、谈谈对目前主流大模型的认识以及底层架构 11、DeepSeek在哪些方面做了改进使其训练成本显著降低？ 12、GRPO算法了解吗？ 13、微调、预...