匹配口述回答：…和基准污染。合成数据不能只由同一个模型生成再由同一个模型评分，可加入可执行验证、独立模型、规则和人工抽检。训练后按来源做消融和切片评测，观察目标质量、严重错误和公平性；来源贡献不明确或风险不可接受时降权、隔离或移除。最终交付的是一套可追溯、可解释、可删除的数据资产，而不是一个无法说明来源的大文件。列举来源并记录逐样本血缘从任务质量和覆盖评估数据用权威证据而非偏好分数核验事实按许可、隐私和地区判断合规以数据卡、消融和删除机制闭环 30秒速答 + 90秒主答 + 完整展…

#数据构建#数据质量#数据合规

面试题·项目与经历· 京东

普通经历如何讲成就感

匹配口述回答：…【问题】，影响【对象】，我的目标是【可验收结果】。我完成了【真实行动】，遇到【失败】后根据【证据】调整为【方案】。结果通过【产物、评测或反馈】确认，观察窗口是【】。这件事意义在于【能力或价值变化】，仍有【局限】。如果案例是 RAG，还要把检索召回、上下文利用、回答忠实度和最终任务成功分开，不能用一个检索数字代表系统全部质量。【90秒主答】背景部分说明为什么选择这件事。可能是研究复现长期不稳定、项目无法满足用户、竞赛暴露能力缺口，或个人学习缺少反馈。目标要可验证，例如交付可…

#行为面试#自我认知#项目复盘

面试题·项目与经历· 阿里

LLM 应用场景价值怎么分析?

匹配口述回答：…，内容按题材和事实密度切片。报告均值之外还看 P95 延迟、置信区间、极端错误与学习效应。模型升级、提示调整或人员熟练度变化后重新评测。若工具只让简单任务加速而复杂任务审查更久，也应如实呈现。最终可说某版本在某时间段、某类任务上带来【真实结果】，而不是借用一个公开实验给所有业务贴上固定百分比。区分模型能力与业务价值按客服、代码和内容拆解价值链准确限定 GitHub Copilot 研究口径加入质量风险与全链路成本用对照实验形成可审计结论 30秒速答 + 90秒主答 …

← 上一页第 13 / 14 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#大模型应用落地#商业价值分析#智能客服

面试题·多模态· 百度

MoE 专家网络怎么动态路由?

匹配追问：…、质量和阈值边界？直球技术设计高噪/低噪专家的扩散 MoE 路由机制，说明路由信号、训练方式、负载均衡、专家塌缩风险和分噪声桶评测。

#扩散模型#MoE#噪声调度

面试题·项目与经历· 美团

技术项目怎么讲出亮点?

匹配口述回答：…。例如数据如何版本化、接口怎样幂等、模型如何灰度、异常怎样回退、监控怎样定位。若是大模型项目，还要说明prompt、知识库、模型和评测集的版本，避免把线上变化归因错。若涉及用户数据，要说明权限、脱敏和日志边界。结果只讲可复算指标。填写【优化前后质量、延迟、资源、失败率或人工时长】，注明比较窗口、样本量、硬件和是否同流量。没有真实数字时可以说目前只完成原型并描述观察，不要编提升百分比。团队总指标与个人动作之间还要有实验或上线记录连接，不能仅凭同时发生就宣称因果。复盘部分讲一…

#项目经验#系统设计#技术选型

面试题·RLHF与对齐· 网易

On-policy、Off-policy 与 DPO 怎么选?

匹配口述回答：…也不在每轮优化时在线采样当前策略。它可以利用固定数据集，系统更简单；效果仍依赖偏好覆盖、标签噪声、reference、beta 和评测。原论文把稳定和轻量作为优点，因此没有证据给出“DPO 天生不如 PPO 稳定”的通用结论。PPO 的优势是能持续探索当前策略产生的新行为，并接收可验证或在线奖励，但成本、reward hacking 和训练波动都更高。选择时看任务是否有可靠自动奖励、是否需要超出离线数据探索、偏好数据是否覆盖目标分布、采样成本和团队系统能力。静态偏好数据和行…

#PPO#on-policy#off-policy

面试题·模型架构· 海尔

Decoder-only 架构为何是主流?

匹配口述回答：…生成。架构选择要看任务、延迟和参数预算。最后，不存在公开可靠的“参数到十亿或一百亿就必然涌现”的固定阈值。观察到的能力还受数据、评测、提示和指标连续性影响。工程上应在同参数量、训练 token 和硬件下比较质量、训练吞吐、prefill、TPOT、KV 字节数和并发。Decoder-only 的合理性来自统一目标和系统复用，而不是神秘的规模门槛。服务侧还要分清计算受限和带宽受限。Prefill 更像大矩阵计算，decode 常受 KV 读取和内存带宽影响；同一个优化对两阶…

#Decoder-only架构#自回归生成#因果注意力

面试题·模型架构· 百度

Flow Matching 原理是什么?

匹配口述回答：…Flow Matching 是一个学习概率路径速度场的统一框架，优势来自目标和路径设计，效果边界仍由采样器、模型与数据共同决定。评测生成器时，除 FID 等总体指标，我还会固定 NFE 比较采样耗时、显存、条件遵循和多样性，并检查不同 solver 容差下结果是否稳定。只有在同一质量水平上减少函数评估，才可以把路径更直转化成真实的效率优势。训练和推理还需使用一致的时间方向与端点定义，避免把数据端和噪声端写反。从连续归一化流 ODE 定义开始解释 Flow Matchi…

#生成模型#连续归一化流#扩散模型

面试题·模型架构· 360

BERT+CRF 怎么联合训练?

匹配口述回答：…现中还有两个细节。BERT 使用子词后，原始实体标签要与 subword 对齐，可以只在首个子词监督或为后续子词扩展标签，但训练和评测规则必须一致。batch 内 padding 位置也要通过 mask 从 CRF 的路径分数、归一化和 Viterbi 解码中排除，否则模型会学习虚假的尾部转移。我会用一个很短的手工样本检查 emission、transition 和最佳路径，确认 constrained mask 真能禁止非法 BIO 转移，再与独立 token 分类基线做…

#BERT#CRF#命名实体识别

面试题·RLHF与对齐· 快手

PPO vs GRPO vs DPO 适用场景?

匹配口述回答：…轨迹，就考虑PPO或GRPO；是否用GRPO取决于组采样是否自然、critic成本和奖励可比较性，而不是看到推理任务就机械选择。评测也要对应风险。PPO和GRPO同时看reward、KL、回复长度、熵、规则通过率和人工盲评，防止reward hacking；DPO按长度、任务类型和难度分桶看偏好胜率，并保留独立偏好集。最终结论是按反馈闭环选算法，而不是按“二模型、三模型、四模型”选算法。先按反馈与在线采样分类解释PPO闭环解释DPO重参数化解释GRPO组相对优势给…

#RLHF#PPO#DPO

面试题·推理优化· 字节

ZeRO 与 FlashAttention 各优化什么?

匹配口述回答：…拆开。固定模型权重比较 kernel，可以验证输出与梯度一致；更换 GQA 或稀疏连接则已经改变模型结构，需要重新训练或至少做质量评测。ZeRO 的对照应看训练状态显存和通信，不该拿它解释推理 attention 变快。明确每项优化改变了什么，组合方案时才知道收益能否叠加。若 profiler 显示瓶颈在 tokenizer、网络传输或 CPU 调度，继续改 attention 不会改善端到端体验。因此我会同时报告 kernel 微基准和请求级指标，并说明优化覆盖了哪段链路…

#注意力优化#ZeRO#Flash Attention

面试题·模型架构· 美团

多头注意力原理与QKV拆分陷阱

匹配口述回答：…有效性的证据边界约4分钟原生RoPE的相对位置性质为何不能直接推出训练长度外效果稳定。可继续讨论位置频率、缩放方法、长上下文评测和QKV融合kernel。

#多头注意力#Transformer#并行计算

面试题·项目与经历· 美团、小红书

自我介绍怎么突出大模型?

匹配口述回答：…件事：业务目标是什么，个人究竟负责什么，为什么采用该技术，结果如何验证。比如可填“在【真实项目】中，负责【数据、模型、检索、服务或评测的真实部分】，比较了【真实候选方案】，因为【约束】选择【方案】，最终在【数据集、线上窗口】得到【真实指标】”。团队整体成果不能全部写成个人主导，未上线的实验也不能说成生产经验。技术专长只保留能画架构、解释失败和回答细节的内容。【完整展开】岗位匹配来自公开 JD、招聘页面和面试沟通。若岗位重 RAG，可突出知识覆盖、检索评测和引用验证；若重训…

#自我介绍#面试技巧#背景匹配

面试题·多模态· 小红书

Stable Diffusion 各版本怎么选?

匹配口述回答：…0秒速答 + 90秒主答 + 完整展开 SD3 和 SDXL-Turbo 的版本名都不能替代具体 checkpoint、训练目标与评测条件。可继续比较 MMDiT 与 U-Net 的条件交互方式，或设计同分辨率、同步数的部署基准。

#扩散模型#文生图#UNet架构

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配口述回答：…与判断收尾约4分钟点击与未点击有曝光/位置偏差，生成的理由也不是天然高质量训练数据。怎样构造同一上下文的可靠偏好对，并用独立评测比较DPO、在线RL和不训练基线？

#小红书#Agent#生成式推荐系统

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配口述回答：…手段配合。一种是分层摘要，定期用轻量模型，比如T5-small，把用户过去一个月的浏览历史压缩成兴趣标签，比如'美妆穿搭''数码评测'，而不是存原始item ID。另一种是向量检索，把所有历史行为[[embedding]]化，存到 [[HNSW]] 索引里，等需要的时候，用当前query去检索最相关的Top-10。这其实有点像 [[RAG]] 的思路，只不过检索的是用户自己的历史。这里有个边界划分，你得想清楚：短期行为适合用滑动窗口保实时性，长期行为适合用摘要加向量检索保…

#小红书#Agent#长序列行为数据

面试题·Agent

Agent 项目经历完整复盘

匹配口述回答：…真实失败案例是【】，处理方式和回滚条件为【】。【证据自检】我会确认能够展示或口述请求 trace、工具 schema、状态变化、评测集版本和指标计算。没有证据的业务收益、复用范围或人效提升不写。【追问入口】请继续追问：为什么选当前规划方式，工具失败怎么恢复，敏感操作怎么确认，状态如何持久化，指标为何可信，以及数据量或并发扩大后怎样改。为了证明项目真正做过，我会挑一个本人最熟的节点深入，而不是平均介绍所有模块。如果负责工具执行器，就讲 schema 版本、参数来源、类型和…

#Agent 项目复盘#任务成功率#Agent 项目经历完整复盘

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配口述回答：…n或Selector等Team；并不都靠LLM决定。模型选择可能偏题，但是否发生及根因要看真实Trace，不能用未经记录的故事替代评测。LangGraph原生支持显式循环边和条件边，你可以用代码精确控制流程，比如如果退款金额超过1000，就走人工审核分支，否则自动退款，每一步都能审计。可扩展性方面，ConversableAgent属于AutoGen0.2接口示例；当前Core/AgentChat按Agent、消息与Team接口扩展，需注明版本。LangGraph自定义Nod…

#字节#百度#Agent

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…留来源并隔离坏文档分块与Embedding都在真实查询集上比较索引按速度召回更新过滤和运维取舍用版本化构建、删除传播和端到端评测上线约4分钟索引是可重建派生物，权限、版本和删除状态必须回到权威事实源。可继续追问近似索引过滤、删除传播和蓝绿索引切换。

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：…于表格，我通常整表保留，并附加表头元数据，因为单独切一行会丢失上下文。重叠窗口不能默认必加；我会把无重叠、短重叠和较长重叠放进同一评测集，比较跨块召回、答案质量和冗余成本。元数据和[[向量化]]增强这块容易被忽略，但实际效果很明显。我会保留来源文档、章节层级、发布时间这些元数据，这样检索时可以按时间或来源过滤，[[重排]] 时也能加权。对于长文档，我同时存文档级摘要向量和细粒度段落向量，这样既能快速定位相关文档，又能精确命中具体段落。embedding 模型最好用领域语料微…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 小鹏

RAG 失败场景诊断

匹配口述回答：…。其他像Precision@K、MRR这些，更多是调优排序质量时用的，但真正上线我会优先盯Recall@K。这里有个前提，就是你的评测集里得标注了正确答案对应的文档ID，不然算不了。很多项目倒在这一步，标注成本被低估了。生成层就比较复杂了。传统的方法比如BLEU、ROUGE，适合有标准答案的场景，比如产品手册问答，但放到开放域对话里就不太行了，因为答案可以多样。所以我更倾向用 [[RAGAS]] 这套框架，它不依赖标准答案，而是从三个维度打分：[[Faithfulness]…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 安克科技

RAG 问答金标构建

匹配口述回答：…发集大概500到1000条，用来迭代调优，比如调 chunk 大小或者 rerank 阈值；测试集1000到3000条，做最终对比评测；对抗集200到500条，专门挑高难度、容易翻车的场景，比如需要多跳推理或者要回答“不存在”。三层分开，避免调参时过拟合到测试数据上。先说问题怎么来。我倾向于混合策略，大概70%用 LLM 生成，20%从真实用户日志里挖，10%人工设计对抗样本。LLM生成效率高，但容易有[[幻觉]]，所以我会给一个严格的 prompt 模板，要求它基于给定文…

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…成侧关注模型拿到的到底是什么证据。我会做去重和冲突检测，控制上下文预算与顺序，在 Prompt 里约束引用格式和证据不足时的拒答。评测要把答案正确性、引用支持率、faithfulness、覆盖率和拒答分开，否则一个流畅答案很容易掩盖检索或引用错误。必要时再加规则、验证器或人工确认，但这些也要单独做消融。系统层要让 bad case 可回放。一次请求至少记录原 query、改写结果、各路候选、融合与重排分数、最终上下文、模型版本和回答。实验在同一语料与标注集上逐步加入组件，同…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配口述回答：…约4分钟 RAG 系统的质量评估需要综合忠实度、答案相关性等维度，不能只看单环节指标。面试官可能会追问 RAGAS 的具体指标和评测方法，或者怎么在业务中落地 A/B 测试。

#字节#RAG 系统架构#RAG 工作原理