太卷了‼️靠大模型面试总结才拿下offer

yxiaoyu__

于 2024-08-05 14:52:45 发布

阅读量370

点赞数 8

文章标签：面试职场和发展人工智能 ai 大模型

本文链接：https://blog.csdn.net/yXIAOyu_/article/details/140926982

版权

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

2.5 RAG 相关面试题

聊一下RAG项目总体思路？
使用外挂知识库主要是为了解决什么问题？
如何评价RAG项目的效果好坏，即指标是什么？
在做RAG项目过程中遇到哪些问题？怎么解决的？
RAG项目里面有哪一些亮点？目前开源的RAG项目非常多，你的项目和他们有什么区别？
数据集怎么构建的，什么规模，评估指标是什么，这些指标存在哪些问题？
模型底座是什么，这些不同底座什么区别，什么规模？
使用哪一种训练方法，什么sft，这些方法有什么不同，有什么优缺点，原理上解释不不同方法的差别？
模型推理是怎么做的，有没有cot，tot等等，还是单轮？
大模型可控性如何实现，怎么保证可控性？
模型部署的平台，推理效率怎么样，如何提升推理效率？
项目最后上线了么，上线之后发现什么问题，如何解决？
给一个总的输入输出样例，每一步包含什么prompt，多轮推理每一步输出什么结果，模拟一下，数据集格式是否要调整成这样，数据形式是什么，怎么拆分成多轮形式？

2.6 Agent 相关面试题

了解 Ai Agent 么？
知道 Multi-Agent 么？
Multi-Agent 如何实现多代理协作的？
Multi-Agent 如何实现多代理竞争的？
你了解哪些开源 Agent？有部署过么？效果怎么样？

2.1 self-attention的计算方式?

2.2 说一下 transformer的模型架构和细节？

2.3 说一下大模型高校参数微调方式 p-tuning v2？

P-Tuning V2在P-Tuning V1的基础上进行了下述改进：

在每一层都加入了Prompts tokens作为输入，而不是仅仅加在输入层，这与Prefix Tuning的做法相同。这样得到了更多可学习的参数，且更深层结构中的Prompt能给模型预测带来更直接的影响。
去掉了重参数化的编码器。在 P-tuning v2 中，作者发现重参数化的改进很小，尤其是对于较小的模型，同时还会影响模型的表现。
针对不同任务采用不同的提示长度。提示长度在提示优化方法的超参数搜索中起着核心作用。在实验中，我们发现不同的理解任务通常用不同的提示长度来实现其最佳性能，这与Prefix-Tuning中的发现一致，不同的文本生成任务可能有不同的最佳提示长度。
可选的多任务学习。先在多任务的Prompt上进行预训练，然后再适配下游任务。一方面，连续提示的随机惯性给优化带来了困难，这可以通过更多的训练数据或与任务相关的无监督预训练来缓解；另一方面，连续提示是跨任务和数据集的特定任务知识的完美载体。

2.4 在大模型任务中，你用到 LoRA，讲一下 LoRA 实现原理?

LoRA 的思想很简单:

在原始 PLM (Pre-trained Language Model) 旁边增加一个旁路，做一个降维再升维的操作，来模拟所谓的intrinsic rank。
训练的时候固定 PLM 的参数，只训练降维矩阵 A 与升维矩阵 B 。而模型的输入输出维度不变，输出时将 BA 与 PLM 的参数叠加。
用随机高斯分布初始化 A ，用 0 矩阵初始化 B ，保证训练的开始此旁路矩阵依然是 0 矩阵。

3. Leetcode 题

具体题意记不清了，但是类似【两数之和】

题目内容

给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出和为目标值 target 的那两个整数，并返回它们的数组下标。

你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。

你可以按任意顺序返回答案。

示例 1：``输入：nums = [2,7,11,15], target = 9 输出：[0,1] 解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。``示例 2：``输入：nums = [3,2,4], target = 6 输出：[1,2]``示例 3：``输入：nums = [3,3], target = 6 输出：[0,1]``提示：``2 <= nums.length <= 10**4``-109 <= nums[i] <= 109``-109 <= target <= 109

代码实现

def twoSum(nums, target):`    `hashmap={}`    `for ind,num in enumerate(nums):`        `hashmap[num] = ind`    `for i,num in enumerate(nums):`        `j = hashmap.get(target - num)`        `if j is not None and i!=j:`            `return [i,j]

附上技术清单

在这里，我们想要强调的是：成功求职并不是一件难事，关键在于你是否做好了充分的准备。通过学习和掌握AI技术的相关知识和技能，了解面试中可能出现的问题和技巧，你就能够在面试中展现出自己的专业素养和实力，赢得面试官的青睐和认可。因此，让我们一起努力，用知识和技能武装自己，迎接AI时代的挑战和机遇吧！
有需要的朋友可以扫描下方二维码，免费获取更多相关资料！
请添加图片描述