大伙美团春招都接到面试了吗[发火]

1. 树模型 GBDT？2. 介绍Transformer架构3. 交叉注意力机制的QKV分别来自哪4. 正则化的作用5. 为啥使用layer Norm而不使用 Batch Norm6. 位置编码的形式7. 旋转位置编码跟三角函数位置编码的具体区别8. Lookup Embedding9. 三角函数位置编码和可学习的位置编码的优缺点10. DPO跟PPO的区别

下面分享一些我在团子的经历与感受，希望可以给大家一些经验参考，关于实习与校招的问题如不牵扯到公司利益与隐私，知无不言。 整体感受：巨巨巨nice的实习体验！初入互联网强推来美团实习。 工作氛围：美团的企业文化在互联网公司里算比较温和的，注重对员工的培养而非筛选，同事关系很融洽，工作氛围真的很棒，入职第一天就遇到了超级超级好的mt和实习生搭子们，后面一直在外出差的leader回来后发现也是特别好相处的人，也成为了朋友。组里经常一起吃饭，工作之余也会周末约着一起出去玩，同事人都很好很nice。 工作强度：工作强度不低（早10晚8+，午休2h），但整体节奏通常可以适应，互联网基本上都是这...

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#

美团-财务科技-前端实习base成都官网1-13上午投递，下午约面试时间1-17晚上8点一面，是一个女面试官。基本是实习和项目，八股就问了react特性，hooks手撕排序，要求不能更改原数组，写了个冒泡堆排序说思路（嘴太笨了，最后写了个代码才解释清楚）嵌套数组获取最大深度（用栈实现，说思路就行）面完5分钟后约二面1-20下午两点二面，应该是部门主管。也是问的实习和项目，无手撕，不过面试官应该不是写前端的很多东西都在问设计思想和架构设计，有点汗流浃背几个印象比较深的：1. 如果让你去负责你实习项目从0到1的搭建，你会怎样从架构上设计这个项目，难点有哪些2. 你觉得前端和后端难点分别在哪；如果让...