智脉盛联一面1.Map接口下有哪些实现类（都说出来，然后从线程安全和不安全角度分类）2.HashMap源码中你比较记忆深刻的地方（答得jdk1.7和1.8中扩容机制的不同，1.7中头插，1.8中尾插，头插会导致结点成环的问题）3.你项目中用到的设计模式（只答了在生成用户node池对象时用了饿汉式单例模式，待补充）4.谈谈synchronized关键字和对应的锁升级流程5.在项目中有没有用过JVM调优，怎么调优的6.你是怎么通过expain来给Mysql查询调优的，实际的场景7.项目中用CompletableFuture怎么对首页进行优化的8.项目中AOP怎么用的9.说说你第二个项目中最突出的亮点10.你刷过题吗，刷过的题中你最满意的题解总结：回答的稀碎，磕磕绊绊，没准备好

参考优秀牛友的经验，字节后端开发面经一面去年的存货面试公司：字节【基架部门】面试岗位：后端开发面试问题：1.实习项目2.有哪些方案可以避免流量高峰造成的问题- 消息队列削峰填谷- 缓存预热- 负载均衡，分散请求- 限流和降级3.了解常用的限流或者降级的算法嘛？描述一下原理？固定窗口计数器：按照时间段划分窗口，有一次请求就+1，最为简单的算法，但是限流不够平滑且无法应对突然激增的流量。滑动窗口计数器：通过将窗口再细分，并且按照时间“滑动”来解决突破限制的问题，但是时间区间的精度越高，算法所需的空间容量就越大。漏桶：请求类似水滴，先放到桶里，服务的提供方则按照固定的速率从桶里面取出请求并执行。缺陷...

一、训练范式革新：动态计算图与自适应优化  传统静态计算图难以应对大模型复杂计算流，2023年技术突破集中在：  1. **即时编译（JAX+XLA）**：Google的**JAXformer**框架通过动态分区策略，在TPUv4集群上实现92%的计算资源利用率，较PyTorch静态图提升37%  2. **梯度累积重参数化**：Meta的**GradRewrite**技术利用张量重映射算法，在OPT-175B训练中减少梯度同步次数58%，通信开销下降42%  3. **自适应混合精度**：NVIDIA的**APEX Dynamic**方案实时监控梯度幅值，动态切换FP8/FP16精度模式，在BERT-large训练中节约显存39%  前沿进展包括**符号微分加速器（SDA）**，如Cerebras的CS-3芯片内置微分引擎，在求解Jacobian矩阵时实现100倍于GPU的加速比。MIT提出的**Progressive Token Dropping**策略，通过重要性采样提前丢弃低贡献token，在ViT-22B训练中节省23% FLOPs。   二、分布式训练体系：异构硬件的统一抽象  跨设备训练面临内存一致性难题，最新解决方案涵盖：  - **统一内存地址空间**：AMD的**Unified Memory Fabric**技术突破PCIe瓶颈，在MI300X集群实现1.5TB/s的GPU-GPU直连带宽  - **异步流水线并行**：DeepMind的**PipeDream-2BW**采用双缓冲机制，在128节点集群中流水线气泡率降至4.2%  - **动态负载均衡**：阿里云**ODPS-Mars**系统通过实时性能建模，在混合GPU/CPU集群中提升任务调度效率31%  工业界标杆案例：字节跳动**Volcano Engine**采用**分层参数服务器**架构，支持万亿参数模型训练，通过稀疏梯度聚合算法将通信量压缩至原始值的6.7%。   三、推理引擎设计：编译优化与硬件感知  模型服务面临编译器优化天花板，突破性技术包括：  1. **计算图手术（Graph Surgery）**：TensorRT-9.0引入动态OP融合策略，针对LLaMA-70B实现41%延迟降低  2. **硬件感知量化**：Qualcomm的**AIMET 2.0**工具链通过芯片级指令分析，在Snapdragon 8 Gen3实现INT4量化下98.2%精度保留  3. **即时内核生成**：OpenAI的**Triton 3.0**编译器支持动态模板扩展，在A100上实现FlashAttention-V2的2.7倍加速  创新案例：Groq的**LPU架构**采用确定性执行模型，在推理Llama2-70B时达成250 tokens/sec的单卡吞吐，时延波动小于±1.5%。   四、内存革命：从显存扩展到底层介质创新  突破显存墙的关键技术路径：  - **计算存储融合**：Samsung的**HBM-PIM**芯片在内存单元集成3000个计算核心，矩阵乘加操作能效比提升28倍  - **非易失内存编程模型**：Intel的**Optane DIMM**配合PMDK库，实现模型参数持久化存储，恢复训练时间从小时级降至分钟级  - **梯度压缩传输**：华为的**HiCOOM**协议使用3D-SPHINX编码，在昇腾集群中梯度通信效率提升5.8倍  学术界突破：UC Berkeley的**ZeRO∞-HD**方案通过异构内存分页技术，在单节点支持260B参数训练，显存占用仅31GB。   五、多模态推理加速：跨引擎联合优化  跨模态场景的端到端优化方案：  1. **跨引擎流水线**：NVIDIA的**Picasso**框架统一CUDA与DLA加速器，在Stable Diffusion XL推理中实现23it/s的吞吐  2. **模态感知调度**：微软**Babel**系统通过运行时特征分析，自动分配视觉/语音模态到对应加速单元，延迟降低44%  3. **统一张量表示**：Apache TVM的**Unity IR**支持跨框架张量格式转换，在多模态模型部署中减少序列化开销67%  生物计算突破：DeepMind的**AlphaFold3**采用几何张量网络，在蛋白质-核酸复合体预测中RMSD误差降至0.89Å，推理速度较v2提升3倍。   六、软硬协同新范式：从芯片到算法的垂直整合  2024年技术融合趋势：  - **存算一体架构**：Tesla Dojo 2.0集成1.2亿个SRAM计算单元，支持4D张量原位计算，能效比达102 TFLOPS/W  - **光子矩阵引擎**：Lightelligence的**OptiCore**光子芯片在矩阵乘法任务中实现1.3 POPS/mm²的面积效率  - **可微分硬件**：Tenstorrent的**Grayskull-2**芯片支持反向传播硬件加速，训练ResNet-152速度达A100的2.3倍  学术界新方向：Stanford的**Algorithm-Architecture Co-Design**方法论，在DNA序列预测任务中实现算法精度与硬件效率同步提升80%。  七、技术演进图谱：2025前瞻性技术布局  1. **量子神经网络**：IBM Quantum的**QNN-Hybrid**架构在量子退火机上实现128qubit梯度计算  2. **神经形态计算**：Intel Loihi 3芯片模拟生物神经元动态，在脉冲神经网络训练中能效比达350 TOPS/W  3. **分子级三维集成**：TSMC的3DSoIC技术实现1μm间距芯片堆叠，计算密度突破1000 TOPS/mm³  当前技术竞争已进入全栈深度整合阶段，开发者需构建覆盖算法创新、编译器优化、芯片架构的立体知识体系。建议重点关注**计算-存储-通信三角定律**的平衡设计，这是下一代大模型基础设施的核心突破点。   #大模型#  #模型部署#

问题1、自我介绍。2、列举你调过的大模型接口所使用的大模型名字？（自我介绍我介绍到自己有使用大模型接口调度的经验）3、大模型训练的步骤。4、知道哪些大模型微调方法？5、解释一下什么是agent？6、对python熟悉吗？7、默认情况下python函数return会返回什么？8、python函数的参数变量带*，表示这个变量是什么类型？进一步讲type(args)会返回什么？9、python函数的不带*的参数变量是什么类型？10、解释一下python的闭包。11、口头说下python中lambda（匿名函数）怎么写。12、用python语言中的try捕获两数相除的异常。13、用python语言实现...