美团hr面面经

1. 问实习项目2. mysq 一级索引、二级索引区别3. (a,b,c) 联合索引，(a=1,b>1,c=1) 怎么走索引4. 索引和文件有什么关系5. 缓存一致性怎么做？延迟双删有了解吗6. redis数据类型有哪些7. 对一个表加索引对这个表的读写有没有影响？怎么优化8. cms和g1的区别9. ai 辅助编程，解一个场景题。感觉这个耗得有点久了，可能是没时间了，最后看了一下ai写得对不对面试官就说先这样吧。算法：三数之和秋招第一面，太紧张了，说话太快了。

岗位是后端开发8.21 一面 8.27 二面 9.8 HR面 9.11 OC一面到HR面面试体验都非常好，一面面试官面试过程中还鼓励我放轻松，二面面试官给了很多职业规划的建议，HR也非常真诚，体验拉满的一集。一面45min聊实习20min，八股15min，手撕反转链表二面50min偏聊天局，聊实习+场景题+少量八股，还探讨了下职业规划手撕数组第K大个元素，这里一开始看错题目了，后续直接Arrays.sort了，好心面试官也给我通过了HR面30min问了下手里还有哪些公司的流程，都是还比较常规的问题总体来说面试过程还是非常顺利的，非常感恩团团，第一个给我实习offer的大厂，也是除了转正外的第一...

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。

救命，各位被面到职业规划的时候都是咋说的啊？说人话还是画大饼啊