大模型算法一面、二面面经

业务一面 1. 详细讲解整套训练数据构建流水线，从原始数据获取、清洗过滤、规整处理到最终入库的全流程逻辑。 2. 微调、预训练阶段如何规划不同领域、不同难度、不同类型数据的混合配比，配比依据是什么。 3. 阐述MoE混合专家模型的激活机制，训练过程中实际被激活的参数规模与计算占比。 4. 项目训练所使用的硬件设备，以及训练过程采用的分布式并行策略。 5. 从哪些维度、哪些评测基准对训练后的模型能力进行全方位效果校验。 6. 讲解DPO直接偏好优化算法的核心原理，同时分析该算法在实际落地中存在的短板与局限。 7. 谈谈对Omni通用全模态模型的技术认知、架构特点与落地优势。 8. 介绍你项目用到的自动化数据合成框架，说明整体运行逻辑与核心模块。 9. 聊聊Agentic强化学习落地过程中普遍遇到的技术难点与常见问题。 业务二面 1. 详细拆解你项目整套推荐系统架构，逐层说明各模块设计逻辑，以及当前架构选型的核心优势、设计考量。 2. SFT监督微调具体补强了模型的哪些底层能力？是否对比过未经过微调的原生模型效果差异。 3. 对齐阶段优先选用GRPO算法，舍弃其他强化学习方案的核心原因与对比优势。 4. 项目中奖励函数、思维链机制的设计逻辑，解释为何采用当前的组合搭建方式。 5. 大模型知识蒸馏迁移至小模型训练时，普遍存在的适配问题与能力损耗问题。 6. 训练过程引入PRM过程奖励模型的核心背景与业务动机，解决了哪些原有痛点。 7. Agent工具调用场景中，调用频次过高或过低分别存在什么问题，最优调用频次如何界定。 8. 结合训练工程harness体系，谈谈反思型智能体（反思Agent）的运行机制与核心价值。 📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。