继续来分享下之前的面经~欢迎友好讨论，信息共享1、项目拷打，问的比较细致。2、八股：（1）XGBoost、LightGBM（2）Lora（3）Flash attention和vllm（4）Transformer（包括分词、位置编码、ROPE处理长序列）（5）对比学习的温度对于embedding有怎样的影响（6）好像还有一个问deepseek的MAA的，我直说不了解了。3、手撕多头注意力

欢迎友好讨论，信息共享1.项目拷打2.moe架构的专家路由是对每个token路由还是对每个序列路由3.如果是对每个token路由，那么代码实现时是如何避免写对每个token的循环的4.部署qwen3合成数据时候用的什么框架5.在用qwen3-32b做推理时显存占用是多少6.在多卡上部署模型时，用了什么策略使得GPU利用率能拉满7.讲一讲vllm框架，他是如何保证GPU利用率的8.讲讲flash attention9.算法题：反转链表

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1.介绍项目2.介绍ppo，grpo，gspo，dapo及他们的改进3.qwen3coder的架构是什么，其中有多少个专家4.gspo训练中有没有遇到奖励突然下降和训推不一致的情况？5.qwen2.5VL的架构？6.说一下react是什么7.如何用agent做可学习的多模态的数据生成8.代码题是MHA

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1.深挖实习，根据实习场景出题2.分析缺少经验的情况下如何做智能体(强化学习)3.transformer的架构，kv-cache加速体现在哪里4.并行策略，哪几种并行5.做并行的时候，矩阵切分有什么注意的，矩阵切分的数学原理6.通信时延的影响因素，如何缓解7.你未来的职业规划8.手撕:在全0方形矩阵画出一个内切圆(用1填充)

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 对比Wide & Deep和DeepFM，为什么DeepFM能自动学习特征交叉？2. 对比Dropout和Weight Decay，分别如何防止过拟合？3. 推荐模型中，如何解决Embedding层稀疏特征带来的内存问题？（Hash Trick、Embedding压缩）4. 对比Point-wise、Pair-wise、List-wise排序损失函数，各自的优缺点？5. 如何优化推荐模型的推理速度？（模型蒸馏、量化、缓存策略）6. 如何设计一个短视频推荐系统？（召回->粗排->精排->重排）7. 如何解决推荐系统的“信息茧房”问题？（探索与利用策略，如UCB、Thompson Sampling）8. 对比ItemCF和UserCF，各自的适用场景？9. 如何评估推荐系统的长期效果？（用户留存、活跃度、多样性）10. 推荐系统如何应对数据分布偏移？（Online Learning、增量学习）11. 搜索旋转排序数组（二分查找变种）12. 全排列（回溯）13. 手写一个简单的Attention计算

1.自我介绍2.之前本科是否有学过机器学习，深度学习，强化学习的基础知识？3.讲一下你对BERT模型的理解？它相较于传统深度学习模型的它的突出点是什么？4.BERT模型相较于Transformer架构的优化是什么？5.做注意力计算的时候softmax之前为什么要除根号d_k?6.项目中的指令数据是你自己构造的吗？是否自己尝试过对指令数据做修改？7.有没有尝试修改项目中的prompt？prompt的准确度如何评估？8.prompt调试有做过吗？9.模型压缩这一块知道哪些具体的方法？10.rerank重排是不是有比准确率更好的指标？11.LoRA微调的框架用的什么？微调的时候是否遇到什么问题？比如收敛问题，指标不符合预期的问题？是怎么解决的？12.LoRA微调时的优化目标是什么？用的什么LOSS？13.做多分类任务，一般用什么LOSS去建模？14.样本比例不合适或者样本的难易程度不一样时，有没有设计过多路LOSS来衡量这些不同的情况？15.手撕数组中的最大子数组和，要求给出思路，时间复杂度和空间复杂度

自我介绍 简历拷打双塔可以用于哪些环节？你觉得目前对双塔模型的研究还存在哪些问题？怎么优化？设计一个电商的商品召粗精链路？手推一下MSE的梯度回传？为啥01分类问题不能用MSE？attention为什么要除以根号dk？讲一下你对rankmixer的理解？代码分发糖果买卖股票的最佳时机4反问业务

一面 1. 自我介绍+介绍论文，根据论文问了一些拓展的问题 2. 简单说一下AUC的定义、物理意义和如何计算，并且用python实现一下AUC的计算 3. 手撕：lc199改编 二叉树的左视图 acm模式，要自己建树和序列转树 面试官很耐心，感觉面试流程很顺畅

部门：滴滴关于agent场景的大模型应用，例如规划行程、帮打车之类的 一面：项目：聊了两个实习项目，一个是sft大模型的，一个是大模型建模的八股：无手撕：最长递增子序列二面：项目：无八股：开放性问题：一个基座模型在三种数据上微调后，出现了三种错误：a.答案正确但没有符合其他用户要求（用户要求简短输出却输出很长）b.输出一直重复 c.输出错误答案。这三种情况的原因是什么？有什么解决办法？用思维链的方式分别对这三种问题有效果吗？手撕：上来就是两个手撕题，被吓到了。磕磕绊绊做出来了[捂脸R]1.不能调包，纯手写linear regression2.统计10000以内的质数数量

体感最难的一次面试，全程被拷打(应该是公司风格，感觉面试官人还行但是没开摄像头)40分钟coding 40分钟拷打简历1.线性回归/kmeans概念，手写线性回归2.torch手撕MLA(没写出来)3.问项目，sft/rft怎么做的，提问数据集细节4.DAPO (项目中提到)做了哪些改进5.多模态模型的thinking能力训练相比纯文本的 thinking训练有什么不同6.你们训练视觉thinking的COT哪来的(答:用开源数据集/sota模型蒸馏)，追问那他们的视觉cot怎么训练出来的(答:先训练文本llm，再对齐视觉vit，然后再从通用领域做rft可以泛化到垂域;