有没佬做点云相关的交流下

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...

做过很多的项目，也有一段实习，但是投递就几乎没啥反应，是简历问题吗？大家帮忙看看吧想做AI产品

真不是我酸，我是真看傻了。我和这哥们儿基本水平差不多，甚至我平时刷题还勤快点。结果这哥们从上个月开始就没怎么正经背过八股，天天在那鼓捣一个叫 Nymard 的 AI 面试助手。前几天他面某大厂，我搁旁边偷听了一下。好家伙，面试官问的那些深挖项目的坑，他基本是对着屏幕秒回。我以为他在读屏风，结果他面完给我展示了那个 Nymard，说是能实时识别面试官说话，然后根据他自己的简历和项目库自动生成最稳的回答思路。关键是那语气，AI 给出的参考不仅专业，还带点“人味儿”，面试官全程点头。今天他跟我说 Offer 到手了。我是真服了，现在面试难道已经进化到拼科技了吗？大家觉得这种算“物理外挂”吗？我是该举报他，还是该问他要个安装包？😅

最近参加了几场大厂的Agent专项面试，我最大的感触是：面试官已经不满足于听你聊怎么写Prompt了，他们更在乎你如何处理“大模型的不可控性”以及多步骤任务中的“工程闭环”。被问到最多的两个底层逻辑容错与自纠错机制：面试官一定会问：“如果Agent调用的工具返回了报错，或者结果不符合预期，你的系统会崩掉吗？”优秀的回答不应该是“重新提问”，而是你如何设计反馈循环。比如，你是否在架构中加入了一个“评价者”角色，专门审视执行结果？或者是否建立了类似于代码调试的Retry逻辑，让Agent能根据错误日志自我修正。记忆存储的“度”：“你是如何处理长对话记忆的？”如果你只说全部塞进上下文，那面试官大概率...