腾讯26校招后端一面

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1. 项目拷打2. 实习拷打3. rft是什么4. 你对rl了解多少，简单讲讲5. rft和ppo的重要性采样区别是什么6. 讲一讲ppo的clip操作7. 你觉得rl之前sft的意义是什么，能不能直接rl8. 你能比较一下先sft再rl和直接rl在成本上的区别吗9. 你说直接rl可能无法采样到一条好的轨迹，你有具体的实践吗10. 聊回到项目，你的技能库是怎么构建的？11. 你们目前对于这个任务的rl是怎么做的12. 你了解attention吗，展开讲讲13. attention的公式这么设计的理由14. 你还知道attention的哪些变体？（GQA，MQA，MLA）分别在哪些方面做了改进，改进的动机是什么，具体优化了多少15. 展开讲讲这三个分别是如何实现的16. 除了从kv cache角度对attention进行扩展你还知道其他角度的attention改进吗17. code1: 合并两个有序数组18. code2: 给定一个候选数字集合，可以任意组合，要求构造出一个＜x的最大数

哎，真的心累了，一面二面好不容易都过了，而且印象好像还挺不错的，三面也准备的比较完善了。结果不幸的事情还是发生了，我感觉我能回答的已经很全面到位了，虽然能感觉到大leader应该是非技术出身的，但是有一些奇奇怪怪的问题我是真的有些无奈。自我介绍项目介绍你的项目使用了Paimon，那Spark，Hive这些与Paimon有什么区别为什么使用Paimon，有什么优点实习的时候，你学了什么新技术呢那你说一下离线作业的优化方法Spark参数怎么调？那么除了上面的你说的这些优化，像Hive，Spark或者数据湖这些分布式架构，他们共有的导致数据慢的问题有什么呢？你了解AI的实现技术架构吗？那你认为怎么用...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题Q1:项目中说到了从claudeADK迁移到GeminiAPI.为什么.Q2:如果有个无限长上下文的模型，是否可以把所有信息都放到上下文?Q3:场景:一个有很多内容的需求文档，是否可以把整个文档放到上下文中，让模型直接实现?Q4:如果分模块输入，agent是否会对整个需求没有认知,导致做出来的成果不符合预期?Q5:用过哪些codeagent?Q6:你觉得claudecode和cursor分别适合什么样的任务?Q7:cursor用过什么skill觉得好用?Q8:了解过spec-drivening的code agent吗?Q9:了解上下文压缩机制吗?Q10:为什么压缩前70%?最开始的几轮对话明确需求不是很重要吗?Q11:你觉得以后的软件工程会变成什么样?

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.项目拷打2.你在去部署或者训练预训练或者后训练的模型时，有没有用过一些比较底层的一些训练的调试的工具，比如说千卡的话很容易就会出NCCL timeout，如果出现 NCCL timeout，一般怎么定位和解决？3.像那种rl里面的那个MOE之类的那种的优化有去做过吗4.看您的训练经验比较丰富，而且您上线运行的推理内容之前也进行过一些什么样的优化吗？5.有没有做过 kernel级别的优化？比如用 CUTE DSL或者手写 CUDA去做 fusion这类算子融合优化，介绍一下6像底层，如果你们在做.kernel fusion，倾向于用什么方式来做7.有没有哪次你做了 fusion 结果性能反而下降的？原因是什么8.平时写 CUDA的时候，有没有关注到底层实现细节？比如你刚提到 FA2，那再往下一层，像 Hopper架构里那个 warp specialization是什么，它底层大概是怎么实现的9.试过用 Agent去生成cuda内核么，怎么去做的10.如果我把 warp specialization 去掉，只保留 tile 和 shared memory 优化，大概会损失在哪？11.怎么么判断一个 MoE 模型是真的学到了分工，而不是只是把 dense模型拆开了12.在 RL + MoE 里，有没有遇到过 reward把 routing学坏的情况？就是模型为了拿 reward，全都走某几个 expert，这种情况你当时是怎么处理的