1. 介绍下你实习学了什么 做过什么项目,为什么离职的2. MoE 为什么能在参数量很大的情况下还能把训练和推理成本压住，真正难点在哪MoE 的关键不是“参数变多了”，而是“每个 token 只激活一部分参数”。也就是说总参数量可以做得很大，但单次前向只走少数几个 expert，所以理论上计算量不会随着总参数线性增长。这个思路在大模型里很有吸引力，因为可以同时兼顾容量和成本。但真正难的地方是路由和负载均衡。路由器如果只偏爱少数 expert，训练会很不稳定，热门 expert 被打爆，冷门 expert 学不到东西。另一个难点是通信开销，尤其多机训练时，token dispatch 和 gat...

如题，tl：3.3 投递3.9 一面3.17 二面3.25 三面3.26 hr面4.1 offer给同样面了腾讯的同志们一点参考。说好的字节才是双非友好大厂呢，为什么我简历是投一次锁一次，以后要当节恨子！鹅是人生第一次面试，本来以为要挂几次，没想到流程还算顺利，初面就直接给我过了，我要感谢腾讯，感谢面试官，感谢hr，感谢所有人。真心是体会到了，找日常实习就是七分运气三分实力

大佬们快救救孩子吧，想找个日常实习，投了都是未读和已读不回啊

很多程序员把AI当成“神笔马良”，甩个需求就等着收货。结果几天下来，虽然功能实现了，但代码风格各异、命名全靠缘分，原本整洁的工程硬生生被AI喂成了“屎山”。在AI时代，工程规范不再是锦上添花，而是防止项目崩盘的救命稻草。1. 结构化Prompt：拒绝“盲盒式”生成想让AI产出高质量代码，你的指令必须像需求文档一样严密。别只说“写个支付接口”，试试「上下文+约束+输出」的模版：上下文：我在用 Spring Boot 开发，当前处于订单模块。约束：必须使用驼峰命名法，所有数据库操作需封装在 Service 层。输出：代码中严禁出现硬编码，异常需统一抛出给 GlobalExceptionHandle...