该不该走算法(cv)这条路

今天老师给大家分享大模型项目准备经验，供各位同学参考学习。1️⃣大模型流程✅数据处理：1.参考 deepseek 、 llama 、 qwen 等技术报告的数据清洗工作；2.强烈建议使用 Data - Juicer 做启发式数据清洗工具；3.做数据多样性探索，保证 Prompt 的多样性；4.做数据质量增强，用强基座做数据改写等。做拒绝采样保证 response 的" Online "性质。✅开始训练：1.卡多做 CPT ，没卡就基于 Base 模型做 Post - Training ;2.不同规则的模型调参差异大，参考大厂技术报告和其他博客；3.试试不同的训练策略，有挺多 fancy 的增量预训练和 Post - Training 方法，多试试；✅评估 Case :1.在常见的 Benchmark 上看看效果，脚本都有现成的；2.不要只看指标和 loss ,多分析 case ，知道加什么数据，摸清模型的边界能力，持续迭代优化模型能力；3.基座或者 Chat 作为 Baseline ，对比看看效果。2️⃣做一个垂域大模型项目资源准备：你需要准备至少4张3090级别的显卡，核数足够多的 CPU 。✅前期准备：1．调研业务，设计业务场景，分析可行性（数据，技术，实用性）;2．会爬虫；3.需要留钱买 API ;✅数据处理：1．爬的数据很脏，一定要做数据清洗；2.如果垂域没那么垂直，比如法律方向，大概率 Base 模型见过了，可以选择不做垂域和通用的数据配比；评估 Case :搞两个 Benchmark ，垂域和通用的，通用不能掉点太多;评估下一致性，从训练集里按任务分层抽样看看 case ;3️⃣做一个大模型应用做完上面两个项目后，其实都可以在此基础上构建一个大模型应用，目前最多的就是 rag 或者 agent 嘛，讲讲如何构建一个 RAG 。✅前置能力：1．学下 Langchain 和 Llama - index ;2.看看简单的 workflow 怎么做的，强烈推荐看看 Anthropic 的《 Building effective agents 》;3．有一定的工程能力。✅参考框架：1.Langchian- Chatchat ，之前笔记就推荐了， rag 很有影响力的开源项目，而且可优化点多；2.Qanything;3.自己手搓个 workflow .可优化点：内容供给；重排策略;微调 embedding ;意图分流单独训个 agent ;优化归纳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系

背景：985本硕，25届感知算法选手，秋招拿下元戎、小鹏、Momenta offer3家offer，趁着入职之前，给大家总结一波一、基础学习（建议3-6个月）1. 理论根基必啃教材：《深度学习》（花书）CV基础章节《计算机视觉：算法与应用》前5章《Multiple View Geometry in Computer Vision》（多视图几何，BEV必备）公开课：CS231n（斯坦福CV课，重点看CNN/Transformer部分）吴恩达深度学习（快速过一遍）2. 编程能力Python：熟练numpy向量化编程（面试手撕代码高频考点！）C++：至少掌握STL容器、智能指针、多线程（量产代码几乎...

中厂做的特别传统的cv，小厂做的llm应用。本质是在选中厂背书（如果算得上背书的话）和匹配的项目（多模态相关）。不知道哪个对未来进大厂更有帮助。求帮选。 #offer#

​今天给大家分享的是一位粉丝的提问，南航本硕研二深度学习图像处理方向，算法岗卷不动，FPGA岗位少，如何选择方向？接下来把粉丝的具体提问和我的回复分享给大家，希望也能给一些类似情况的小伙伴一些启发和帮助。同学提问：我是南京航空航天大学的本硕，目前研二，本科是交通运输民航机务工程，研究生是航天学院的电子信息，具体方向是基于深度学习的图像处理，目前我现在的能力主要是python深度学习算法，FPGA有课程但没看完，目前是会一点verilog会点灯的程度，目标方向是私企赚钱或者说不加班的外企国企（所以不是很想去军工企业）。目前看到的是算法岗比较卷，自己不是双九计算机本科怕卷不过，以及现在市场好像FP...