博彦科技大模型 prompt 日常实习一面

凉，原因是自己答得不是非常好以及他们要求学历是杭电及以上学历待遇可以1. 反射知道吗，你说一下2. hashmap的底层结构3. hashtable知道吗4. hash方法是如何优化的5. 多少会转为红黑树6. 为什么要用高16位和低16位异或7. 那他是怎么插入槽的，做了什么优化，过程说一下8. 是怎么实现一个去重的9. concurrentHashMap了解吗10. 那分段锁里面是怎么实现的11. cas+synchronized是如何操作，为什么要这样呢，先详细说一下cas12. 是怎么上锁的呢（这里我说是对对象，他说是吗，这样不是整个锁住了吗）13. JVM的内存结构说一下14. 线程池的那个参数说一下15. 拒绝策略有哪些16. redis的aof重写说一下17. mysql的行锁说一下18. 为什么里面用b+树19. 索引失效情况有哪些（没答完全）20. 索引覆盖是什么21. 索引下推讲讲22. redission的看门狗机制说一下23. redis里面的数据你是怎么与数据库同步（定时）24. volatile25. 如果我要求强一致性，然后每隔10秒进行一次同步，但是其中这个业务进行时间大于10秒了怎么办（消息队列，多线程去处理）26. lua脚本执行到一半中断，比如redis宕机，这个时候会回滚吗27. acid说一下28. 异常处理机制29. synchronized的底层原理30. reentrantlock的原理，他底层是怎么实现的

如何优化工作流程，这种情况一般是针对社招来说的，对于校招大概率是不会涉及这个问题的。何为工作流程，什么是优化工作流程？ 在某个具体的工作岗位来说，工作流程意味着从任务的初始状态到完整交付状态的过程，而优化这个流程意味着提高效率，不断创新。优化工作流程是对候选人的综合考评，涉及的经验，创新，执行等环节。这个面试题的难度略大，小猫测试网将依照“面试100问系列专题”的惯例，依次做分析，先分析面试官考察的要点，以及作为求职者哪些是不能说的，如何快速组织语言，逻辑清晰的呈现，最后附上一个参考例子。求职应聘，测评训练，可参考 小猫测试网 的：认知能力测试、MBTI职业性格测试、霍兰德职业兴趣测试、九型人...

1. 基础概念题：什么是大模型核心加速技术中的 “算子融合”？举例说明其作用。答案要点：算子融合是将多个连续计算算子合并为一个，减少计算图中的节点数和显存读写次数，降低延迟。举例：如将 Transformer 中的 Add（残差连接）与 RMSNorm（归一化）融合，减少两次内存访问，提升推理速度。2. 技术原理题：Flash Attention V2 如何优化注意力计算效率？与 V1 的核心区别是什么？答案要点：• V1：通过分块计算注意力，减少显存占用（避免存储所有中间键值对）。• V2：引入 “内外循环交换策略”，将矩阵乘法的循环顺序调整为更适合 GPU 并行计算的模式，进一步提升计算效率，尤其在长序列场景下加速明显。3. 量化技术中，FP8、INT4 AWQ、INT4-FP8 AWQ 的适用场景和压缩率有何差异？4. RAG 系统中，文档切分粒度如何影响检索和生成效果？实际中如何确定最优粒度？5.在长序列推理场景中，PagedAttention 和 Prefix Caching 分别解决什么问题？如何配合使用？答案要点：• PagedAttention：将 KV Cache 分块存储在非连续显存中，避免显存碎片，支持处理超长序列（如百万 Token）；• Prefix Caching：缓存历史对话的 KV 对，跨请求复用，减少重复计算（如多轮对话中复用上文缓存）。配合逻辑：PagedAttention 解决显存限制，Prefix Caching 减少计算量，两者结合可提升长对话场景的效率和稳定性。6. 在企业级推理场景中，如何根据需求选择量化方案？举例说明短文本高并发和长文本场景的优化策略。实时客服系统用 INT4 量化加速响应；金融报告生成场景用 FP8+PagedAttention 处理数千 Token 输入。

简述 Transformer 多头注意力机制理解词间关系的原理。​训练 Transformer 时，如何解决梯度消失或梯度爆炸问题？​GPT 等模型对 Transformer 结构做了哪些改进以提升生成效果？​如何优化 Transformer 模型预测速度？​说明 RAG 结合外部知识库与大语言模型提升回答准确性的机制。​用 RAG 构建问答系统时，如何处理检索内容不相关或不全的问题？​如何确定 RAG 系统中文档的合适切分粒度？​当 RAG 系统知识库数据量大、检索慢时，有哪些提速方法？​如何协同使用 Transformer 与 RAG 以发挥最佳效果？​用 RAG 优化模型回答，有哪些实用...