面试遇难题不慌乱，从容应对反获加分

“过早优化是万恶之源。”但人生里，我们偏偏最爱干这件事——在信息不足的时候，就急着做最优决策我见过不少人，包括我自己，在选择第一份工作时，拼命纠结“哪个方向未来更有前途”。有人因为觉得“AI火”拒掉了扎实的后端offer，去了一个挂着AI名头但实际打杂的岗位。两年后回头，那个做后端的同学已经能独当一面，而自己还在简历上写“协助标注数据”。你以为你在做长期布局，其实你只是在信息不足时赌了一把。人生和软件工程最大的区别是——软件可以重构，人生不行。代码里的过早优化，顶多浪费几个小时的CPU；人生里的过早优化，浪费的是两三年。而这两三年，恰恰是最需要“野蛮生长”的阶段。

这份题库不是随便凑出来的 100 道题，而是从大量面经和题目里 筛出来的高频题。我整理了上百套校招、实习、校招的大模型相关面试题，又结合公开平台上反复出现的问题，把那些 出现次数最多、覆盖岗位最广、面试最容易问到 的内容统一收拢，最后形成这套 大模型常考面试题100道76. 训练和推理为什么要区分开看？答：因为两者关注的目标完全不一样。训练更关注怎么把模型能力学出来，重点在数据、loss、优化器、并行训练和收敛稳定性；推理更关注怎么把模型高效跑起来，重点在延迟、吞吐、显存、并发和成本。很多技术在训练阶段成立，不代表在线推理就划算。所以做大模型不能只会训练或者只会部署，至少要知道这两套问题是分开...

最近组里在找社招外包，同事说最近面的外包不行，是哪里不行？社招外包是不看学历的，社招普遍具有的弱点是1.只会说自己干了什么事，没有自己的思考2.感觉没有重视面试这件事，准备不足(八股背的不好)3.没有结构化表达，说项目经历比较乱(表达这方面也是大部分人需要学习的)思考在这点上校招和实习生会做的好很多，尽管没有经验，公司不看重你之前干了些什么，更关注你能从这些经历里学到了什么，有什么东西能复用到下一段经历。

1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...