社招offer帮选

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...

那可真是太遗憾了，你们就继续把流程卡在简历初筛吧，继续给我发测评和笔试之后把我挂掉吧（大部分甚至连感谢信都没有😁），我填网申一点都不累，做测评和笔试一点都不辛苦

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

实习经历拷打这个功能（单点登录）具体是做什么的？“Ticket”是什么？里面包含了哪些信息？Token存储在哪里？后端如何进行身份认证和校验？Token是明文传输的吗？系统是否会记录用户的登录状态（如登录时间、超时）到数据库？如果没有，如何判断Token是否过期？在拦截器中使用ThreadLocal存储用户信息，目的是什么？ThreadLocal是线程内共享的。如果一个用户连续发起两个请求，它们能被同一个ThreadLocal处理吗？为什么？一个请求处理结束后，是否需要手动删除ThreadLocal中的数据？为什么？八股HashMap是线程安全的吗？请举例说明一个HashMap线程不安全的场景...