最终还是放弃了拼多多 NLP 算法岗（大模型方向）Offer。。。

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。

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) 发布！

分享一位群友面拼多多NLP算法岗（大模型方向）的面经，这位同学是有两个 Offer 机会，一个是国企，一个是互联网企业。

考虑到互联网的 996 内卷和当下的就业环境，最后去了国企，放弃了这家企业

把面经进行了汇总：

自我介绍
简历项目深度交流
项目的背景是什么，主要解决了什么问题？
训练数据集是如何构造的，都有什么类型的数据，总量有多大？数据质量怎么评估？大模型怎么做数据评估？
有没有进行微调？
解释一下 Prompt Tuning、Adapter Tuning、LoRA 等微调方法的原理，分别适用于哪些场景？
如何评估模型微调效果的好坏呢？
微调用了多大的显卡，有关注内存占用情况吗？
是否了解常用的模型加速技巧？
微调如何避免出现灾难性遗忘和“复读机”问题？
微调和训练一个全新模型相比，有哪些优势？
大模型高质量微调数据筛选有哪些方法？
你认为大模型微调还面临哪些挑战？
Tranformers 和 Bert 相关：
介绍 transformer 网络结构
谈谈位置编码 RoPE
谈一谈对transformer的QKV的理解
Self-Attention 的表达式
Bert中为什么要在开头加个[CLS]？
attention中的mask有什么用？（BERT中）
bert和mbert的区别
bert预训练方法
MLM 和 NSP都有什么缺点
介绍transformer以及multi attention，为什么用多头
了解什么attention的变种？
flash attention解释一下？
llama中用的attention是？
llama和transformer的区别

代码题：

最长递增子序列

最长递增子序列（LIS）的算法可以通过动态规划实现。下面是一个Python代码示例：

def longest_increasing_subsequence(nums):if not nums:return 0dp = [1] * len(nums)for i in range(1, len(nums)):for j in range(i):if nums[i] > nums[j]:dp[i] = max(dp[i], dp[j] + 1)return max(dp)# 示例
nums = [10, 9, 2, 5, 3, 7, 101, 18]
print(f"最长递增子序列的长度是: {longest_increasing_subsequence(nums)}")

该函数使用一个数组 dp 来存储到目前为止每个元素结尾的最长递增子序列的长度。通过两层循环比较每个元素和它之前的元素，如果当前元素大于之前的元素，就更新 dp 数组中的值。

这个算法的时间复杂度是 (O(n^2))，其中 (n) 是输入数组的长度。如果需要更高效的解决方案，可以使用二分查找，将时间复杂度降到 (O(n \log n))。

给定一个仅包含数字2-9的字符串，返回所有它能表示的字母组合。答案可以按任意顺序返回。

这是一个经典的电话号码字母组合问题，可以通过回溯算法来解决。以下是Python实现：

def letter_combinations(digits):if not digits:return []phone_map = {"2": "abc", "3": "def", "4": "ghi", "5": "jkl","6": "mno", "7": "pqrs", "8": "tuv", "9": "wxyz"}def backtrack(combination, next_digits):if not next_digits:result.append(combination)else:for letter in phone_map[next_digits[0]]:backtrack(combination + letter, next_digits[1:])result = []backtrack("", digits)return result# 示例
digits = "23"
print(f"字母组合为: {letter_combinations(digits)}")