VIVO offer 北京-算法

今年秋招开始，感觉很多公司都上了AI面试，而且几乎都是第一关，就要面对AI 。虽然但是，面得多了就摸清套路了。AI面本质是个无情的特征提取器，问题就三大类：1.行为特征题：必考！“分享一次你带领团队完成目标的经历”。它不是在听故事，是在抓取“领导力”、“协作”、“结果导向”等关键词，并分析你的表达结构是否清晰。一定用STAR法则提前写好稿子，对着摄像头练到面无表情也能流畅说完。 2.情景压力题：“如果和同事发生严重分歧，怎么办？” 它评估你的应对模式和价值观。回答要体现“职业化”和“建设性”——先沟通，再对齐目标，最后找解决方案。切忌情绪化抱怨。 3.岗位匹配题：“你为什么适合这个岗位？” 它...

双非本科，靠着字节、百度、蔚来三段实习一路撑到春招，到现在才真正认清现实。一封封感谢信砸过来，慢慢明白，学历和学校带来的门槛，远比几段光鲜实习要重得多。最让人无力的，莫过于拼尽全力刷实习、攒经历，最后却连一个入场机会都换不来，那种落差感真的太磨人。总自以为是地觉得，有大厂实习就够了，一定能挤进心仪的公司，可现实一次又一次把幻想击碎。现在的我，早已没了春招初期的锐气，只剩下满心的迷茫和惆怅。不知道是该坦然接受现实，还是继续抱着不切实际的期待，在大厂的梦里不肯醒。

恐怖如斯

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...