先搞懂：为什么需要位置编码？Transformer 模型本身是 位置无关 的！它不知道哪个词在前，哪个词在后。比如 "我喜欢吃苹果" 和 "苹果喜欢吃我" Transformer 会认为这两个句子的结构完全一样，因为它只关心词与词之间的关系，不关心顺序。但实际上这两个句子的意思完全不同！所以需要 位置编码 来告诉模型每个词的位置信息传统位置编码问题方案1：学习型位置编码，初始化一个位置向量，全程全靠train给每个位置随机初始化一个向量让模型自己学习每个位置应该是什么样的❌ 缺点：只能处理训练时见过的长度，遇到更长的句子就傻眼了方案2：正弦位置编码用三角...

秋招0offer，估计简历有问题   

遇到一个民科乐子，最难绷的一集。

研发卷，10道选择题 + 3道编程题，选择题基本上都是AI/大模型相关：RAG、大模型等等，最近做笔试基本上都是AI相关的了， 大家还是提前多刷刷AI的知识吧 编程题： T1. 风不吹雨 操作 1 是把  变成 ，最多用  次；操作 2 是减 ，最多用  次。每个位置每种操作最多做一次，两种可以同时做，求最小元素和。 一个比较显然的结论：如果同时做两种操作，先除后减一定不差于先减后除（因为除法会把减掉的量也砍半）。所以同时做两种操作的减少量就是 ，其中 。 然后注意到操作 2 对每个元素的减少量都是 ，跟选哪个元素无关。所以操作 2 直接贡献  的减少量。操作 1 的减少量取决于选哪些元素，贪...