腾讯音乐oc（timeline和面经）

机器学习岗
8.13：投递简历
8.20：一面
8.23：笔试
8.26：二面
9.3：三面
9.9：测评
9.12：HR面
10.18：官网状态转offer阶段
10.21：意向书
泡了一个多月，终于泡出来了。。。

项目以外的面经：

一面（50m）
- 为什么现在RAG大部分都采用召回+精排的方式来检索知识？
- 模型训练的时候有没有遇到过loss不收敛或者loss骤降为0的情况？有什么可能的原因导致？
- 讲一下transformer
- 场景题：假设你每日可以获取到某社交平台的社区数据，每日数据量很大，怎么从中获取到关于某个产品的评价数据。

二面（35m）
- 场景题：我有一大堆用户评论数据，我想要从中筛选出关于某个话题的内容，并且还要分发给不同的部门，如何实现？
- 场景题：对于一个对话系统，假设我对于模型的回复正确率的要求特别高，并且我需要知道一些精确的数据，不只是泛泛而谈，比如我问“qq音乐今天DAU是多少”，需要模型给出具体的值，你觉得要怎么设计？
- 场景题：估算一下混元的DAU
- 怎么理解大模型的记忆
- 数据从用户到服务器的传输过程
- 讲一下数据容灾
- 讲一下分布式编程
- A/B测试

三面（1h）
- SFT和RLHF的作用分别是什么
- 讲一下RLHF
- RLHF中的reward model怎么训练的
- 讲一下DPO
- 讲一下transformer
- 讲一下GQA，GQA有什么优缺点
- 有了解最新的大模型吗？了解llama3.1吗？
- 有了解哪些LLM分布式推理技术吗？
- 讲一下大模型量化技术

HR面（25m）
不像面试，更多的是聊聊天，问一下个人的发展意向和职业规划

#腾讯音乐##算法工程师##晒一晒我的offer#