1. 自我介绍2. cross_entropy公式3. multi-attention公式4. position embedding实现5. encoder结构6. 残差优点7. layernorm原理6. 大模型的topk采样 参数7. prompt设计手撕：最长公共子串

问了问我的项目 没问太多细节八股问了冷启动的概念 为什么用clip 了解的召回推荐模型 尝试过的foundation手撕：快排

1. 自我介绍2. item2item和user2user的区别（item少的情况下更适合item2item）3. word2vec的原理4. 召回的正负样本5. wide&deep的原理手撕：最长子序列（可以不连续 3 2 7 1-> 3 2 1）

1. 介绍实习项目2. 介绍RAG项目（decoder和encoder区别）3. 手撕：不重复数字全排列很快就结束了

1. 自我介绍2. RAG项目（chatglm底层 token级别相似度度量方式 ROPE norm的位置）3. 手撕（括号匹配）

1. 自我介绍2. 问推荐项目（item2item原理与实现方式 clip原理以及vision transformer可行性 选择word2vec的原因 word2vec原理 类型 为什么快 黑白标比例 平衡比例的方法 评价指标）3. 问大模型的了解 ROPE4. 问实习项目（目的 模型选型原因 其他基于注意力机制的序列模型不行的原因 效果好坏）5. 手撕代码 递归版本的反转列表

1. 自我介绍2. 介绍实习项目（对比学习中的正负对是什么）（GCN和GAT的区别和公式）3. 问论文（transformer基础知识：multi-head softmax 为什么除以dk）4. 手撕代码（和为k的连续子数组个数）

😁