双非硕好难

一面: 1.对项目很感兴趣提了很多问题(不是质问，是疑问)2.之后问Transformer架构(详细讲了整体的流程3.详细问transformer的decoder组件4.提问既然decoder-only架构已经可行了为什么还需要encoder5.提出他们准备借鉴decoder架构做生成式推荐，问我有什么想法，可以怎么实施6.根据我的简历项目，问为什么做完SFT还要做RLHF，问RLHF的好处(需要明确指明可以做到SFT哪些做不到的地方)7.问强化学习方法原理，问的特别细(感觉是因为面试官不太懂)8.手撕-只记得是力扣原题，很简单二面:1.讲项目(我超详细的从项目背景到具体怎么做的给面试官叨叨了十五分钟)2.没再提问了，直接给我介绍他们的业务，介绍他们现在想用大模型技术做搜索推荐，因为别的公司已经有成功的尝试了所以他们也准备做这个无手撕

cuncrrentHashMap的源码有没有看过？讲一下挑一个感兴趣的中间件，讲一下这个中间件的设计？比如mq讲一下对mysql的理解？讲一下对redis的理解？redis的数据结构的底层实现？流式输出的底层实现一个问题的提出到大模型然后到输出，底层过程是怎么样的？向量转化底层是怎么实现的？怎么保证消息幂等性？怎么实现顺序消费？redis为了应对性能瓶颈做了那些事？说一下redis快的原因是什么？大致就记得这些，还有一些记得不是很清楚，带着耳机就没有录音，被拷问麻了（个人感觉面试官问的问题比较泛，估计是我太菜），应该是GG了😥。如果有大佬愿意分享对上述问题的见解，那真的是非常荣幸了😁😁

1．项目介绍2．讲讲你对 transformer 的了解3．有哪些常用的解码策略， topp 和 topk 的具体细节，以及实现上的差别4. 意图分流的 agent 怎么做微调的，用了多少数据5.如何做 embedding 微调的，如何构造正负样例，训练的 loss 是什么6.RAG有哪些可优化的地方7．你的 RAG 项目中用到了 agent 吗，一般 agent 会用在RAG 链路中的哪些部分8．做 sft 时是怎么做数据配比的，参数具体怎么设置的9.RLHF的流程，有没有训过 PPO10. deepseed 的原理，zero1,2,3怎么做的11.了解过排序模型吗，讲几个经典的排序模型吧12．说一下 vllm 部署8*7B的 MOE 模型每秒大概能推多少token13．对比学习了解吗，讲一下（比较突然，不知道为啥要问）14.code :实现rand5到rand7

1.详细说一下dns解析它是怎么解析的，过程咋样2.Transformer你给我讲讲它底层原理，讲一下它为啥能替代RNN，我们知道Transformer架构已经很成熟了，但你觉得它的Self-Attention机制在多模态对齐上会不会存在瓶颈？有没有实际场景里注意力权重完全偏掉的情况3.说下LoRA的原理吧，LoRA是不是只能在Linear层插？你有没有了解过为什么不能插在LayerNorm之后？这会对训练稳定性造成什么影响4.你刚才提到用过QLoRA，那你能具体说说QLoRA是怎么降低资源成本的吗？常见的量化方式有哪些，QLoRA为什么选的是NF4和FP16这组组合，而不是别的组合？你能说说NF4 的分布拟合逻辑吗5.我们做了一些multi-query attention优化，但发现decoder延迟还是高，你觉得是哪里的瓶颈vLLM 本身的KV cache 是不是反而是负担7. Embedding模型和Rerank模型分别是怎么处理文本语料的？用场景举一下例子8.看你做过RAG，讲讲从数据清洗到检索服务上线这整个链路是怎么搭的，你是怎么做chunk切分的10.你觉得当前RAG的最大瓶颈在哪？你做过哪些改进来提升 Recall11.你们在训练xx领域大模型的时候，SFT 数据怎么构造12.看你做过LoRA微调，那你是怎么选rank值的？合并adapter权重的时候有没有遇到梯度爆炸13.我看你这个特长里面也有写过使用这个模型部署是吧你也做过相关模型部署的工作，那咱们能简要的说一下，我们部署的参数量模型部署的参数量，然后还有它对应的硬件之间的需求关系，比如说我每个参数量的模型所需要的算力需求大概是什么？先给出一个题吧，我们部署一个MOE架构的千分三的235b的一个模型，他所需要的算力大概是多少？14. 比如rag知识库搭建就是比如说我们在搭建这个知识库的时候，需要对这个知识库的文件文档进行动态更新了，那么你之前是用的是全量嵌入还是增量处理？如果是用增量的话，那么怎么来避免新旧文档的文单的分布不一致导致的这种检索偏差的问题15.你那个机械臂的那个动作态这一块融合的这一块，然后你那个具体的数据是怎么进行一个融合的，然后这个对比协议是怎么做的16.在做多模态融合的时候，有没有做过过视觉跟文本之间的对齐任务，怎么做的