1.求职时间拉的很长，分为一面二面三面，大约在两个星期2.也是最重要的一点，哪怕你最后进行到最终面了，你的位置也有可能被走后门的人给顶了我二面完成的很好，入门级的考核我入门级的全部做完了+中级考核完成了50%，我本以为至少第二名没有问题，先是给我发邮件说gtest的内容没做，我一看是中级考核内容，反馈之后说我能力有问题，是的，就这个原因没有一点具体的理由，我请问呢，你们到底是招初级的还是中级的，如果是招中级的请问为什么开初级的薪资呢，后面问hr才知道原来是名额被关系户顶替去了，我真谢谢你耽误我两个星期我建议贵公司真的，不想好好招人就不要出来祸害人了避雷#避雷公司#

如题，学籍专业是环境工程，但导师为通信学院，方向也是通信方面，投递简历会有很大影响吗#百度求职进展汇总##通信硬件人笔面经互助#

1. 核心影响因素- 任务类型：- 简单任务（如文本分类）：可能需数百到数千条标注数据。- 复杂任务（如对话生成、阅读理解）：通常需数万条甚至更多数据，尤其需多样性和高质量样本。- 模型规模：- 大参数量模型（如GPT-3、PaLM）可能需更多数据防止过拟合，但通过策略（如参数冻结）可降低需求。- 较小模型（如BERT-base）可能在较少数据下表现良好。核心是数据质量：- 高质量、标注精准、多样化的数据可显著减少需求量。- 低质量数据可能导致模型性能瓶颈，需额外清洗或增补。领域差异：- 若预训练数据与目标领域差异大（如通用→医疗），需更多领域数据调整模型分布。- 训练策略：- 正则化技术（早停、Dropout、数据增强）可缓解小数据过拟合。- 迁移学习技巧（如Adapter、LoRA）可减少可训练参数量，降低数据需求。经验可参考范围- 常规任务（分类/标注）：- 小模型（如BERT）：1k-10k样本。- 大模型（如GPT-3.5）：可能需10k-50k样本（结合领域适配策略）。- 生成任务（对话/摘要）：- 通常需5k-100k+样本，依赖生成质量要求。- 领域适配：- 若领域差异大，需额外增加20%-50%数据量。产品经理的权衡维度- 业务目标：- 若需快速验证MVP，可接受小数据+低精度（如数百样本），后续迭代优化。- 若追求高精度（如医疗、金融场景），需预留足够标注预算。- 资源限制：- 标注成本：若数据获取昂贵，需优先优化数据质量或采用主动学习。- 算力与时间：大数据量需更高训练成本，需权衡ROI。- 替代方案：- Prompt Engineering：用少量样本设计提示词，可能无需微调。- Few-shot Learning：结合模型原生能力减少数据依赖。 #牛客激励计划#  #聊聊我眼中的AI#   #数据人的面试交流地#  #AI了，我在打一种很新的工#  #面试被问期望薪资时该如何回答#  #面试题刺客退退退#  #大家都开始春招面试了吗#  #24届软开秋招面试经验大赏# #牛客AI配图神器#

商汤 LLM (2+0)🥲 二面后挂了1. 主要是以项目为主，讲完项目，提问发散问题以及八股。2. Baichuan2-7B的架构讲一下，有什么特别之处？3. Lora微调7B模型，可训练参数是多少？显存占用如何？4. 介绍下Lora以及qlora的区别5. 其它多模态对齐方式有哪些？6. LSTM与Transformer的区别，以及后者的优势？7. 讲解下scaling law8. 预训练一般分为哪些阶段，每个阶段的特点有何区别？#春招# #实习# #秋招# #ai算法工程师# #大模型# #nlp算法工程师# #商汤科技#