最近这一两周不少互联网公司都已经开始秋招提前批面试了。

不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

总结如下：

《AIGC 面试宝典》圈粉无数！
《大模型面试宝典》(2024版) 发布！

喜欢本文记得收藏、关注、点赞。

---

开源啦！开源啦！

早上起来发现，Meta AI又开源模型，文本模型开源了端侧小模型1B和3B模型，也是首次开源了多模态大模型11B和90B两个版本；同时还开源了一个 Llama Stack项目。

Blog: https://ai.meta.com/blog/llama-3-2-connect-2024-vision-edge-mobile-devices/
HF: https://huggingface.co/collections/meta-llama/llama-32-66f448ffc8c32f949b04c8cf

其中Llama3.2多模态模型在图像识别和一系列视觉理解任务方面效果优于Claude 3 Haiku 和 GPT4o-mini。文本模型-Llama3.2-3B模型在循指令、总结、提示重写和工具使用等任务上优于 Gemma 2 2.6B 和 Phi 3.5-mini 模型。

多模态模型效果

端侧模型效果

多模态模型

Llama3.2的11B和90B模型多模态是基于Llama3.1-8B、70B文本模型上，增量增加图像模型。

pretrain阶段：

• 文本模块由Llama3.1模型初始化，并初始化图像编码器，利用大规模噪声（图像、文本、6B数据对）对数据进行预训练

• 再用中等规模的高质量的领域、知识增强的（图像、文本、3M数据对）数据预训练。

posting-train阶段：

• 通过监督微调、拒绝采样和直接偏好优化进行多轮对齐

• 使用 Llama 3.1 模型 过滤和增强 图像上的问题和答案，利用合成数据生成和奖励模型对所有候选答案打分排序，获取高质量的微调数据

• 还添加了安全数据

端侧小模型

1B和3B模型都是基于8B模型裁剪后进行模型初始化，并且利用8B和70B模型进行模型蒸馏，9T数据预训练。

特别注意，这里蒸馏不是那种通过更大模型进行数据生成的蒸馏，而是再模型训练阶段，利用8B 和 70B 模型输出的 logits 影响模型loss，也就是传统的蒸馏方法。

在post-traning阶段，训练方式语Llama3.1一致，采样监督微调、拒绝采样和直接偏好优化模型。

最后模型支持上下文扩展到 128K 个，同时也针对性优化了模型的多种能力，例如摘要、重写、指令遵循、语言推理和工具使用。

Llama Stack项目

Github: https://github.com/meta-llama/llama-stack

定义并标准化了将生成式 AI 应用程序推向市场所需的构建模块，跨越整个开发生命周期：从模型训练和微调，到评估，再到在生产环境中构建和运行AI Agent。

主要是为了简化开发人员在不同环境（包括单节点、本地、云和设备上）中使用 Llama 模型的方式，帮助快速实现检索增强生成、工具使用等能力的快速部署。