一面/技术面 2024/8/2 下午14:00-14:30

1. 面试官先介绍了一下部门的整体情况
2. 自我介绍
3. 快手实习，详细问了XGBoost
4. 损失函数？
5. 如何处理缺失值？
6. bagging和boosting模型异同
7. 如何处理样本不均衡的问题
8. 腾讯实习
9. 介绍LongLoRA
10. 长文本有哪些技术
11. norm有哪些作用
12. 为什么不能用bn
13. OOM一般你怎么解决
14. 说说deepspeed
15. 反问：业务场景
16. Coding：岛屿数量

二面/技术面 2024/8/7 晚上19:00-19:40

1. 自我介绍
2. 介绍腾讯实习
3. 目前上线后有没有遇到什么问题，后续打算如何解决
4. 遇到的最难的问题是什么，如何解决的
5. 模型并行和数据并行
6. 模型的哪些部分比较耗费显存
7. 说说DeepSpeed
8. 了解RLHF么
9. SFT过程中哪些因素比较重要
10. 完全微调在什么情况下会比LoRA微调好
11. 大模型前向传播和反向传播会有哪些过程
12. 哪些因素会影响显存占用
13. 如果调大batch_size会对哪些部分有影响
14. 在sft的过程中，有没有哪些参数比较重要，有没有较好的经验值

三面/技术面 2024/8/13 早上8:00-9:00

1. 自我介绍
2. 腾讯实习
3. 负责了哪些部分
4. 你进去实习之前组内的大模型是怎么处理的
5. 效果如何测评
6. 数据集构建过程
7. 从最开始调研到模型上线的全流程
8. 有没有遇到比较难解决的问题，如何解决的
9. 上线后使用有没有什么bad case，如何解决的
10. 开放性问题：用大模型做智能客服，从头到尾设计一下
11. 假设有大量的历史交互数据，以及知识库，你会怎么去优化，从长文本和RAG两个角度说了一下
12. 大量历史数据微调后效果很一般，该如何去优化
13. 个人往后想做的方向有什么倾向，做落地（论文这么多，为什么不做研究？我觉得比我论文多的人很多）
14. 日常通过什么途径和渠道来了解前言技术进展
15. 反问

一天后收到了四面通知，以为是HR面，点进去之后发现是新锐加面

四面/新锐加面/技术面 2024/8/14 下午14:00-15:00

1. 自我介绍
2. 介绍腾讯实习
3. 长文本如何测评
4. 了解哪些长文本技术
5. 为啥没用腾讯内部的混元
6. 应用场景下一般会提问哪些问题
7. 数据集构造
8. 上线后出现了哪些bad case，如何解决的
9. 你负责了哪些部分
10. 哪些部分比较难
11. 聊了聊华为910B
12. 显卡利用率低和哪些因素有关
13. 开放问题：摒弃你现在做的东西，设计一套RAG系统来做长文本的摘要理解，给了一定的思考时间
14. 长文本能打败极致的RAG吗
15. RAG在摘要理解方面的能力如何提升
16. 详细介绍了NIPS论文
17. 聊了聊实验室方向
18. 聊了聊面试的其他岗位，滴滴排序在哪个位置
19. 回去等通知

五面/HR面 2024/8/19 下午17:30-18:00

1. HR自我介绍
2. 自我介绍
3. 面试轮次较多，对前边几轮面试以及面试官有没有什么看法，觉得怎么样
4. 对滴滴的印象以及建议
5. 硕士阶段是如何一步步走到现在的，目标，如何去做
6. 怎么想到走算法岗这条路的
7. 觉得自己相比腾讯这边其他实习生，优势在哪里，劣势在哪里
8. 问了腾讯这边转正的事
9. 还面试了哪些公司
10. 未来对工作有哪些要求
11. 未来的工作更倾向于做什么方向
12. 反问：预计八月底发offer意向，谈薪十月份

总体来讲滴滴没怎么考察代码，主要是深挖实习细节，以及各种场景题，比较开放