攒人品中，祝大家都能拿到满意的Offer！1.项目拷打2. grpo 和 dpo 以及跟最早的 ppo 有什么区别，这个你有了解吗？3.在做大模训练时，一般用全参数微调还是 lora 微调？简单描述下 lora 的原理。4.训练的优化器一般用什么？ Adam 跟 SGD 的显存相比哪个占比更高？5.对搜推有了解吗，比如精排、召回的模型？除了 FM 和 DeepFM 这种做特征交叉的结构，还有哪些其他的做特征交叉的结构吗？ DCN 了解吗？6.精排和召回的区别在哪，或者说为什么一般先做召回再去做精排？7.代码题： leetcode hot 100的题

八股文背了忘忘了背，后来发现一个神器：给自己讲课每次学一个知识点（比如JVM垃圾回收），我就打开手机录音，假装在给小白讲课。"同学们，今天我们来学习JVM怎么打扫卫生……"讲完听一遍，卡壳的地方就是没掌握的。这个方法亲测有效，面试的时候被问到，直接脑子里自动播放录音！而且用自己的话讲出来，比死记硬背生动多了，面试官听着也不困。

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 实习拷打2. 介绍一下项目内容3. 用户数据量和内容数据量，总共有多少特征，具体是大概有哪些特征，用户行为序列用到了吗？4. 一个特征有多个值的情况是怎么处理的？5. 有做特征选择吗？训练数据量多大？多路召回怎么做的？多路召回有几路？多路召回是怎么融合的？6. 有做粗排吗？7. 召回的离线指标和线上指标大概是什么情况？8. 用户的冷启动是怎么做的？9. 介绍一下 GrapSAGE，word2vec, deepwalk, node2vec10. 介绍一下 transformer， 多头注意力，encoder， decoder， LayerNorm11. DeepFM12. FM 的二阶交叉的权重是什么？FM的计算复杂度？13. leetcode：快排

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 注意力机制2. LN和RMSNorm3. 长思维链了解吗？（不太了解4. 多模态了解吗？（不了解5. LoRA和 QLoRA？6. 多轮对话怎么处理（主包只是讲了讲自己的思路7. GRPO讲解一下

大概四十分钟结束，聊家常一样项目拷打1. 你觉得现在llm推理瓶颈在哪。2. 问了我一个工作怎么建模互联的。3. 然后又对着这个工作挖了一些。4. 怎么看待未来硬件形态。5. 发文章怎么看

被狠狠拷打了，发点面经攒攒人品1.什么是cudagraph。为什么cudagraph会用到更多的显存。推理的什么阶段更适合cudagrapho2.讲跨block的内部通信，warp原语。举一些warp原语的例子，讲讲都是什么。3.讲一下对nv芯片的ptx机器模型的认识。4.讲讲对cuda代码编译流程的认识。5.讲讲MLIR，以及为什么要设计MLIR出来6.手撕:归并排序

有面试过同岗的朋友欢迎评论区交流1.实习拷打2.项目拷打：sam有哪几个组件 用的什么指标评价 模型性能横向相比大概什么水平3.transformer原理4.多头注意力5.为什么除以根号d6.多模态大模型一般有哪几个组件 什么作用7.手撕：m行n列矩阵，行内严格递增，找到这个矩阵里第k大的数

1.项目介绍2.介绍实习3.数据集使用的是公开数据集还在有自己构造数据集4.分别讲一下 Dense 模型和 MoE 模型以及二者的区别5.讲一下MoE的 路由机制是如何做的6.训练完验证使用的是什么数据集7.做这个工作的过程中的难点在哪8.如何做的 SFT9.介绍一下 PPO10.讲一下 RAG 项目11.分类任务常用的评测指标有哪些12.讲一下 LoRA 微调的原理13.A、B 矩阵怎么初始化的14.LoRA 微调秩设置的是多少15.算法题：三数之和

1.实习介绍2.之前做过召回和粗排吗？对传统召回了解如何？3.排序和召回的区别在哪里？如果不考虑算力问题，可以全部送到排序吗？4.讲一下rankmixer的token设计？5.多任务的话，loss如何平衡？手调的话如何解决个性化不足问题？6.代码最长不重复子串

面了一个多小时，整体感觉还不错，欢迎佬交流～1.zero1232.你有没有实际对比过普通 DDP 和 ZeRO-1？比如 4 卡情况下，把 optimizer state 或 gradient 切成 shard 之后，显存大概能省多少？3.CPU offload4.BF 16 和 FP 165.在 DDP 多卡训练 中，通常一个 epoch 的定义是：所有 GPU 协同遍历一次完整数据集，且每个样本在该 epoch 内只被采样一次。但在实际训练中，我们往往是 按 step 数控制训练与保存 checkpoint 的，比如每 5000 step 保存一次模型，这样 checkpoint 很可能落在 某个 epoch 的中间。在恢复训练时，我们一般可以恢复 model optimizer lr step，但 DataLoader / Sampler 本身是无状态的，不会自动恢复到 epoch 中间的位置。在从一个 epoch 中间的 checkpoint 恢复训练时，有没有办法保证数据采样能够“无缝衔接”，继续完成当前 epoch，而不是重新打乱或重复采样数据？6.当 checkpoint 保存发生在 epoch 中间时，Trainer 是否能正确恢复 DataLoader 的采样状态？如果不能，工程上通常如何保证 resume 后的数据连续性？你是怎么实现的，是否用了 Accelerate或者huggingface 的Trainer7.DDP中当同时涉及 DataLoader 和 Sampler 时，shuffle 应该由哪一层来负责？8.PyTorch 的 DistributedSampler 内部是如何根据 num_replicas 和 rank 生成每个进程各自的数据 index 列表的？它如何在不进行进程间通信的前提下，确保多进程训练时样本划分互不重叠且覆盖完整数据集？9.GQA10.RMSNorm和LN11.在实际训练系统中，从吞吐量和资源利用的角度考虑，tokenization 更合理的放置位置是在 Dataset/DataLoader 阶段，还是作为模型 forward 前的一部分？12.手撕省份数量

1.NDCG计算2.AUC计算3.MRR4.其他召回评价指标5.HSTU细抠6.关于推荐框架的了解7.端到端的推荐8.会不会 git9.手撕合并数组核心代码模式

1.简历挑一个项目介绍一下2.在什么情况下，相关关系等于因果关系？3.为啥偏差的存在会使得关联性和因果性不同？4.长序列建模了解哪些？5.如何解决多任务学习中的极化现象？6.了解美团的DAT双塔吗？做了哪些改进？你认为还能怎么做？7.代码手撕开根二叉树的最大宽度8.反问

1.若对话历史增长到上万条，如何让系统更懂用户？（大模型上下文相关）2.用户上传一张或多张图片，或者一个短视频，系统要为这个输入匹配一首“历史上已经存在的、最契合的古诗”；算法方案怎么设计？可能有哪些重难点？3.大模型鉴别http数据包是否包含攻击，但是模型出现幻觉，大模型认为数据包是xx攻击（该攻击客观存在，并非模型编造，不过不是当前数据包中的攻击），但实际上不是这个攻击。如果你遇到这个问题，如何解决4.场景题：如果有1000w数据在云端，希望用http方式下载处理保存，用python怎么做，重点关注线程和进程5.用户输入一个句子，要求大模型在一堆知识库/数据中找到符合这个句子的内容（片段），大模型容易找错，对于解决这个问题有什么思路从零做“通用对话式数据分析 Agent”，你的路线？6.对于一个AIGC项目，不同的用户有不同的绘图偏好，你怎么设计系统以增大项目的普适性7.智力题：100级台阶，4个玻璃球，假设从某一层开始，丢下玻璃球会摔碎（高于该层都会碎，低于该层都不会碎），最少需要扔几次才能确定这个临界楼层8.智力题：赛马问题。有25匹马，五个赛道（每场比赛最多5匹马同时跑），没有计时器，问需要多少场比赛，才能确定出最快的 3 匹马

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，发下面经攒点人品1.GUI Agent 有什么想法，现在速度太慢有什么思路？2.训过长链路 tool 调用思维链吗？ test time 有没做过实验？3.论文里面怎么对 reasoning 内容做优化，有考虑推理过长的问题吗？4.手撕：给定整数和小数，转为分数字符串，重复小数用括号表示重复5.反问环节