9本qs20硕秋招大失败选手，殷切期待大神们的建议！业务对比：腰子做的是ai infra，包括训推加速/模型量化等等。🦐是纯粹的金融业务Go后端，据说业务非常复杂。目前部门出于上升期，且22年几乎没有裁员。选择难点：1. 喜欢腰子ai infra的工作方向，对ai更感兴趣。主要是认为ai infra在未来的需求量会越来越大，且本人未来可能会转向ai方向的非技术岗，想要先了解业务。反观🦐的工作内容，纯写金融业务，且没有ai应用场景。2. 🦐的总包(大sp），公积金(10%)和年假(15天)又让人难以拒绝，而反观腰子，低base高绩效，最低公积金+最低年假。补充信息：第一份工作希望方便后续跳槽其他大厂（幻想），因为两个公司感觉都呆不久。🦐有裁员传统，腰子狼性文化难以久留。#牛客创作赏金赛##聊聊我眼中的AI##第一份工作应该选择高薪还是大平台##你小时候最想从事什么职业##虾皮##虾皮求职进展汇总##荣耀##荣耀校招##我的求职思考#

#面试#  #秋招#  #春招#  #牛客创作赏金赛#  #产品经理#  #Ai产品经理# RAG（Retrieval-Augmented Generation）是一种结合了信息检索和文本生成的技术，通过检索相关文档来增强生成模型的能力。RAG的核心思想是在生成文本时，先检索与输入相关的文档，再基于这些文档生成回答。这种方法不仅依赖模型自身的知识，还能利用外部信息源，提升生成内容的准确性和丰富性。应用流程1. 输入处理：   - 用户输入问题或请求。   - 系统对输入进行预处理，如分词、去停用词等。2. 文档检索：   - 使用检索模型（如BM25、DPR）从外部文档库中查找与输入相关的文档。   - 检索模型根据输入与文档的相关性进行排序，返回最相关的文档。3. 生成回答：   - 将检索到的文档和用户输入一起输入生成模型（如GPT）。   - 生成模型结合输入和检索到的文档，生成最终回答。4. 输出结果：   - 系统将生成的回答返回给用户。   - 可根据需要提供检索到的文档作为参考。应用场景- 问答系统：通过检索外部文档生成更准确的回答。- 内容生成：在撰写文章或报告时，检索相关文献增强内容质量。- 客服系统：结合知识库生成更专业的回复。优势- 准确性：通过检索外部信息，减少模型生成错误。- 可解释性：提供检索到的文档，增强结果的可信度。- 灵活性：适用于多种任务，如问答、内容生成等。挑战- 检索质量：检索效果直接影响生成结果。- 计算资源：检索和生成过程需要大量计算资源。- 实时性：大规模文档库的检索可能影响响应速度。RAG技术通过结合检索和生成，提升了生成模型的性能，适用于多种应用场景，但也面临检索质量、计算资源和实时性等挑战。

本人双非本，211硕目前有一段大厂测试开发实习经历（100-499人）外企前端开发or（title很大的）央企项目经理毕业想进国企（本人技术栈是Java，不是很想做技术，但总觉得实习有段开发的经历好一点）求大佬支招 #offer帮选#  #offer决赛圈，我是怎么选的#

终于收到水滴的面试了，面了一个多小时，能感受到面试官对技术的追求和激情，说实话还挺感染我的，但是他问的问题和时长让我汗流浃背啊，扣着各种细节去追问，记录了部分面试问题：1、自我介绍2、项目讲解3、指令集构建这一块有遇到什么难点吗？怎么解决的？4、用的什么微调，讲一下lora、p-tunning的原理5、大模型微调用到了什么框架6、 Lora的训练原理和使用是怎么样的？7、lora怎么做矩阵的初始化，为什么这样做8、有对比其他模型进行微调吗？微调后的效果怎么样？9、Lora的应用场景是什么？10、 llama的模型结构11、微调后的badcase怎么处理？12、怎么解决大模型的重复回答的问题？13、LLM推理都有哪些参数设置（top-k，top-p），一般怎么调整?14、Beam Search（束搜索）15、RAG16、RLHF、PPO、DPO算法17、VLLM的KV  Cache原理手撕：正则匹配，按照优先级规则将长文本划分句子最后反问环节问了业务方向和校招生培养，我也大概了解到了水滴对校招生的重视，不光有一年的721培养机制，而且对校招生有充分的放权和自由度，可以接触的业务还挺多的，甚至可能有CEO或者业务一号位直接来带，也分享了一个由CEO带出来的业务一号位的清华学长的故事，还很耐心的给我分享了他们的自研大模型，面试官特别健谈，也缓解了我的紧张情绪，总之好感度还是非常强的，希望能通过吧！#水滴春招##校招##面试经验#