面了搜狐大模型算法岗(实习)，有惊无险。。。
最近技术群组织了一次算法面试讨论会，今天分享的是一位非常不错的小伙子的面试经历，如果你想加入我们的讨论群，见文末， 本次分享的内容如下：
关于我：我是过年某985研二，过完年打算找大厂实习 offer，本文章主要记录了本小菜研找实习的坎坷历程，欢迎大佬们给建议！！！
应聘岗位：搜狐大模型算法工程师
1. 自我介绍
在自我介绍环节，我清晰地阐述了个人基本信息、教育背景、工作经历和技能特长，展示了自信和沟通能力。
2. 技术问题回答
2.1 介绍一下 rouge，bleu，他们两个之间有什么区别？
在机器翻译任务中，BLEU 和 ROUGE 是两个常用的评价指标：
-
BLEU（Bilingual Evaluation Understudy）： BLEU是一种用于评估机器翻译结果质量的指标。它主要侧重于衡量机器翻译输出与参考翻译之间的相似程度，着重于句子的准确性和精确匹配。BLEU通过计算N-gram（连续N个词）的匹配程度，来评估机器翻译的精确率（Precision）。
-
ROUGE（Recall-Oriented Understudy for Gisting Evaluation）： ROUGE是一种用于评估文本摘要（或其他自然语言处理任务）质量的指标。与BLEU不同，ROUGE主要关注机器生成的摘要中是否捕捉到了参考摘要的信息，着重于涵盖参考摘要的内容和信息的完整性。ROUGE通过计算N-gram的共现情况，来评估机器生成的摘要的召回率（Recall）。
-
区别：
-
BLEU侧重于衡量翻译的准确性和精确匹配程度，更偏向于Precision；
-
ROUGE侧重于衡量摘要的信息完整性和涵盖程度，更偏向于Recall。
这两个指标在不同的任务和应用场景中都有其重要性，因此在评估自然语言处理模型时，经常会同时使用它们来综合考虑模型的表现。
2.2 介绍一下 常见大模型结构（llama2，glm）？
-
BART (bi Encoder+casual Decoder，类bert的方法预训练)
-
T5 (Encoder+Decoder，text2text预训练)
-
GPT(Decoder主打zero-shot)
-
GLM (mask的输入部分是双向注意力，在生成预测的是单向注意力)
2.3 介绍一下 ptuning，lora tune？
这个网上资料很多，推荐技术群几位老哥的总结
2.4 为什么transformer有长度限制（太长了性能下降）？
transformer论文中提出了一种基于自注意力机制（self-attention）的新型神经网络结构，它可以处理序列到序列（sequence-to-sequence）的任务，如机器翻译、文本摘要、语音识别等。transformer模型由编码器（encoder）和解码器（decoder）组成，编码器将输入序列映射为一组隐藏向量，解码器根据这些向量生成输出序列。
transformer模型的一个限制是，它的自注意力机制需要计算输入序列中每个token与其他所有token之间的相关性，这个计算的时间和空间复杂度都是输入序列长度的平方。因此，当输入序列过长时，transformer模型会消耗过多的计算资源和存储空间，导致效率降低和性能下降。
3. Leetcode 题
具体题意记不清了，但是类似 【215. 数组中的第K个最大元素】
- 题目内容
给定整数数组 nums 和整数 k，请返回数组中第 k 个最大的元素。
请注意，你需要找的是数组排序后的第 k 个最大的元素，而不是第 k 个不同的元素。
你必须设计并实现时间复杂度为 O(n) 的算法解决此问题。
示例 1:
输入: [3,2,1,5,6,4], k = 2
输出: 5
示例 2:
输入: [3,2,3,1,2,4,5,5,6], k = 4
输出: 4
-
提示：
-
1 <= k <= nums.length <= 105
-
-104 <= nums[i] <= 104
-
题目解答
class Solution:
def findKthLargest(self, nums: List[int], k: int) -> int:
nums_len = len(nums)
# 1.构建大顶堆
for i in range(math.floor(nums_len/2),-1,-1):
# 从第一个非叶子结点从下至上，从右至左调整结构
self.adjustHeap(nums,i,nums_len)
# 2.调整堆结构+交换堆顶元素与末尾元素
for i in range(nums_len-1,nums_len-1-k,-1):
# 将堆顶元素与末尾元素进行交换
self.swap(nums,0,i)
# 重新对堆进行调整
self.adjustHeap(nums,0,i)
return nums[-k]
def adjustHeap(self,nums,i,nums_len):
'''
功能：交调整大顶堆（仅是调整过程，建立在大顶堆已构建的基础上）
@param nums List 数组
@param i int 索引1
@param nums_len int 长度
@retusn
'''
left = 2*i+1 # i 的 左节点
right = 2*i+2 # i 的 右节点
largest = i # 用于标记当前最大的节点值得索引，先取出当前元素i
# 比较 左节点 和 当前节点 的值
if left < nums_len and nums[left] > nums[largest]:
largest = left
# 比较 左节点 和 当前节点 的值
if right<nums_len and nums[right]>nums[largest]:
largest = right
# 将 当前节点 和 最大节点 交换，然后重新构建 堆
if largest!=i:
self.swap(nums,i,largest)
self.adjustHeap(nums,largest,nums_len)
def swap(self,nums,a,b):
'''
功能：交换元素
@param nums List 数组
@param a int 索引1
@param b int 索引2
@retusn
'''
nums[a],nums[b] = nums[b],nums[a]
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。
成立了大模型技术交流群，本文完整代码、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：mlc2060，备注：来自CSDN + 技术交流
通俗易懂讲解大模型系列
-
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：一文讲清大模型 RAG 技术全流程
-
用通俗易懂的方式讲解：如何提升大模型 Agent 的能力?
-
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：使用 LangChain 和大模型生成海报文案
-
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：在 Ubuntu 22 上安装 CUDA、Nvidia 显卡驱动、PyTorch等大模型基础环境
-
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：基于 LangChain 和 ChatGLM2 打造自有知识库问答系统
-
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：对 embedding 模型进行微调，我的大模型召回效果提升了太多了
-
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：使用 LlamaIndex 和 Eleasticsearch 进行大模型 RAG 检索增强生成
-
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
-
用通俗易懂的方式讲解：使用Llama-2、PgVector和LlamaIndex，构建大模型 RAG 全流程