暑期实习基本结束了，校招即将开启。

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。提前准备才是完全之策。

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。

总结链接如下：

• 《大模型面试宝典》(2024版) 正式发布！

喜欢本文记得收藏、关注、点赞。更多实战和面试交流，文末加入我们星球

---

最近一位同学跟我聊实习，面试了小红书，项目抠的很细，让他有点破防，又问了很多八股。。。心情很是低落。

为什么现在面试都这么卷呢？为什么面试通过率这么低？

前些年互联网蓬勃发展，AI 技术人才供不应求，相关专业毕业生不够用。稍微有些项目经验，工作就不用愁。

那时候招聘，只要资质没问题，先招进来，再培养，所以多数人只要多投多面，总能跳槽成功，殊不知更多是因为公司在抢人，因为业务有前景，活儿总得有人干。

而今时移世易，供需关系逆转，老板们都在强调降本提效，招聘自然会设置更高门槛，优中择优。建议提早准备，多了解职场信息。

一面

1. 聊项目，抠的贼细
2. 你们的训练集和验证集. 测试集分别是多少？怎么来的？
3. 宏平均和微平均是用来干什么的？是如何计算的？他俩的主要区别？
4. 知识蒸馏为什么有效. 详细介绍一下知识蒸馏？
5. Transformer为何能够有效地处理长距离依赖问题?与传统RNN和LSTM相比有哪些优势?
6. 多头注意力的作用是什么?
7. 在Transformer模型中，位置编码(Position Encoding)的作用是什么
8. Bert 中有哪些地方用到了mask？
9. 预训练阶段的 mask 有什么用？
10. Bert中的transformer和原生的transformer有什么区别？
11. 强化学习适合在哪些场景使用？
12. 智力题：如何用rand6实现rand10

代码题

13. 最小覆盖子串：给你一个字符串 s 、一个字符串 t 。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 ""

二面

1. 聊项目
2. layer normalization 的好处是？和 batch normalization 的区别？你有没有看过有的 transformer 也用bn？
3. BERT 的主要改进，包括结构的改进. 预训练方式的改进，都说一下？
4. Reformer中. LSH（局部敏感哈希）是如何实现的？
5. CRF 和 HMM 的区别. 哪个假设更强？他们的解码问题用什么算法？
6. lstm 参数量计算. 给出 emb_size 和 hidden_size. 求lstm参数量
7. 简单实现一个layer normalization类. 只需要实现__init__和forward就行
8. 简述GPT和BERT的区别
9. 为什么现在的大模型大多是decoder-only的架构？
10. 如何减轻LLM中的幻觉现象？
11. GPT-3拥有的1750亿参数，是怎么算出来的？
12. 参数高效的微调（PEFT）有哪些方法？
13. 目前主流的中文向量模型有哪些？
14. 请介绍一下微软的ZeRO优化器

代码题

15. 反转字符串
16. 无重复字符的最长字串

技术交流&资料

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

成立了算法面试和技术交流群，相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、微信搜索公众号：机器学习社区，后台回复：加群
方式②、添加微信号：mlc2040，备注：来自CSDN + 技术交流

通俗易懂讲解大模型系列

• 重磅消息！《大模型面试宝典》(2024版) 正式发布！

• 重磅消息！《大模型实战宝典》(2024版) 正式发布！

• 做大模型也有1年多了，聊聊这段时间的感悟！

• 用通俗易懂的方式讲解：大模型算法工程师最全面试题汇总

• 用通俗易懂的方式讲解：不要再苦苦寻觅了！AI 大模型面试指南（含答案）的最全总结来了！

• 用通俗易懂的方式讲解：我的大模型岗位面试总结：共24家，9个offer

• 用通俗易懂的方式讲解：大模型 RAG 在 LangChain 中的应用实战

• 用通俗易懂的方式讲解：ChatGPT 开放的多模态的DALL-E 3功能，好玩到停不下来！

• 用通俗易懂的方式讲解：基于扩散模型（Diffusion）,文生图 AnyText 的效果太棒了

• 用通俗易懂的方式讲解：在 CPU 服务器上部署 ChatGLM3-6B 模型

• 用通俗易懂的方式讲解：ChatGLM3-6B 部署指南

• 用通俗易懂的方式讲解：使用 LangChain 封装自定义的 LLM，太棒了

• 用通俗易懂的方式讲解：基于 Langchain 和 ChatChat 部署本地知识库问答系统

• 用通俗易懂的方式讲解：Llama2 部署讲解及试用方式

• 用通俗易懂的方式讲解：一份保姆级的 Stable Diffusion 部署教程，开启你的炼丹之路

• 用通俗易懂的方式讲解：LlamaIndex 官方发布高清大图，纵览高级 RAG技术

• 用通俗易懂的方式讲解：为什么大模型 Advanced RAG 方法对于AI的未来至关重要？

• 用通俗易懂的方式讲解：基于 Langchain 框架，利用 MongoDB 矢量搜索实现大模型 RAG 高级检索方法