小米大模型实习凉面

家人们！最近在琢磨大模型应用开发岗的项目准备，初步定了两个方向 ：做一个完整的 RAG 项目（检索增强生成），从向量数据库搭建，知识库的构建、工具的调用，到检索逻辑优化，全流程走一遍，重点体现对知识问答场景的落地能力～ 搞一个模型微调 + 部署的项目，选个具体任务（比如特定领域的文本分类 / 命名实体识别），用 LoRA 之类的方法做微调，再部署成 API 服务，配上简单的调用界面，把 “调参 + 工程化” 能力亮出来这两个项目覆盖了大模型应用的核心环节，既有算法落地又有工程实现，感觉能体现岗位所需的核心技能？有没有同行姐妹 / 兄弟给点建议呀～ 或者还有哪些项目方向值得补充？

商汤多模态实习面经一面(已OC)1. 项目+实习经历2. 阐述一下最熟悉的VL模型3. 根据2.提的模型进行深挖，包括网络设计，注意力计算的方式等4. pre-Norm 和 post-Norm 差别5. attention 计算复杂度6. flash attention计算复杂度7. 大模型的训练流程8. 手撕: torch 手写softmax 并基于softmax的分布写出采样函数面试官人很好很好!!!!!很轻松，很和谐

一面（8.6）： 细问实习项目（30min） 八股：一道 code：leetcode 152乘积最大子数组 反问（5min）二面（8.7）： 问实习项目+论文课题（40min） 无 coding 反问（5min）三面（8.11）： 问实习项目（5min） 闲聊（30min） 无 coding 反问（5min）已约 hr 面

🍓一面时长约50min，面试官很和蔼，体验感还不错。1．面试官先简单介绍了下团队，然后是自我介绍；2．拷打了一下项目和论文；3．为什么多头注意力能提升表达能力？4．为什么要在大模型中使用 RMSNorm ？和 LayerNorm 有什么差异？5.LoRA和 PromptTuning 有何区别，分别适用于什么场景？6．模型微调时遇到过过拟合吗？怎么处理的？7．大模型推理时的加速思路？8.KV Cache 是怎么起作用的？为什么对长上下文推理很关键？算法题手撕：字符串的全排列。二叉树序列化与反序列化。✅面试感受：整体提问节奏比较平稳，面试官很有亲和力，有的地方卡住了还会给提示。🍓二面时长约40min，主要是针对简历进行深挖。1．自我介绍。2．深挖项目，针对项目思路不断追问。3．大模型生成内容如何做去重过滤？4．如果词表特别大（10w+ token ), Softmax 加速通常有哪些实现？5．如果要在中文领域做 Instruction Tuning ，需要注意哪些数据问题？6．反问✅面试感受：二面的氛围和一面截然不同，面试官提问非常犀利，没有太多套路问题，并且对细节很关注。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。