一面： 了解过哪些大模型？它们在结构上的差异？ 大模型常用的位置编码有哪些？优缺点分别是什么？ 介绍预训练—后训练—推理的流程 详细问了 RLHF（包括 PPO 算法原理） DPO 和 PPO 的区别 超长上下文是怎么实现的（例如 Kimi） 大模型智能体（Agent）的工作原理和组成部分 场景题：如何训练一个大模型，让它能更好地精确提取摘要 码题：经典股票四连问（121、122、123、188） 二面： CV 和 NLP 的区别与联系 在Transformer 框架下，CV、NLP、语音是否可能“大一统” 大模型训练：数据清洗、处理、配比的方法 大模型训练：如何更容易提升模型性能 什么是大模型的幻觉，如何缓解 为什么会有复读问题，业内有哪些解决办法 工具与 Agent：大模型工具调用的实现方式 工具与 Agent：Agent 的组成部分及实现方法 开放题：你在大模型训练中遇到过的困难，如何解决？ 代码题：实现一个Tokenizer（只能用 PyTorch 基础语法） 三面： 项目深挖：尤其是 Agent 项目，从背景、动机、做法和结果等方面都问得非常细，聊了半个小时 开放题：你觉得当前大模型还存在哪些问题？有什么解决办法？ 开放题：如果让你自己设计一个 Agent，你会怎么做？为什么？ 职业相关：找工作除了薪资，还看重哪些因素？ 对文心一言的了解：优点&可以改进的地方 如果拿到 Offer，你能为团队做出什么贡献？ #算法 #大模型 #Agent #面经 #互联网大厂 #机器学习 #人工智能发展 #人工智能就业 #LLM#AI