节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。

针对大模型技术趋势、算法项目落地经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。

总结链接如下：

《大模型面试宝典》(2024版) 发布！

喜欢本文记得收藏、关注、点赞。更多实战和面试，欢迎文末加入与我们交流

---

这两天面试群太热闹了，2025届忙着暑期实习和秋招，2024届的小伙伴已陆续分享了经验和心得，准备奔赴新的城市和新的生活了。

我们也整理了很多大厂的算法岗面试真题（暑期实习结束了，校招陆续开启），前几天整理了比亚迪的最新面试题，今天整理一位星球小伙伴面试英伟达的最新面试题，希望对大家有所帮助。喜欢记得收藏、点赞、关注。参与我们的讨论。

1. LN和BN

2. 介绍RLHF

3. 介绍MoE和变体

4. 介绍LoRA和变体

5. LoRA 参数更新机制

6. 如何减轻LLM中的幻觉现象？

7. MLM和MIM的关系和区别?

8. Stable Diffusion的技术原理

9. 解決LLM Hallucination的方法

10. Occupancy预测的出发点是什么?

11. 介绍RWKV、Mamba和Mamba-2

12. 2D图像预训练怎么迁移到3D点云任务

13. 为什么现在的LLM都是Decoder only的架构?

14. 把Transformer模型训深的问题有哪些?怎么解决

15. 现在车道线检测的主流的loss是什么?你有哪些想法?

16. 为什么GAN中经常遇到mode collapse，而Diffusion比较少?

我还特别整理15道 Transformer 高频面试题

1. 介绍Transformer和ViT

2. 介绍Transformer的QKV

3. 介绍Layer Normalization

4. Transformer训练和部署技巧

5. 介绍Transformer的位置编码

6. 介绍自注意力机制和数学公式

7. 介绍Transformer的Encoder模块

8. 介绍Transformer的Decoder模块

9. Transformer和Mamba（SSM）的区别

10. Transformer中的残差结构以及意义

11. 为什么Transformer适合多模态任务？

12. Transformer的并行化体现在哪个地方？

13. 为什么Transformer一般使用LayerNorm？

14. Transformer为什么使用多头注意力机制？

15. Transformer训练的Dropout是如何设定的？

用通俗易懂的方式讲解系列

• 重磅来袭！《大模型面试宝典》(2024版) 发布！

• 重磅来袭！《大模型实战宝典》(2024版) 发布！

• 用通俗易懂的方式讲解：不用再找了，这是大模型最全的面试题库

• 用通俗易懂的方式讲解：这是我见过的最适合大模型小白的 PyTorch 中文课程

• 用通俗易懂的方式讲解：一文讲透最热的大模型开发框架 LangChain

• 用通俗易懂的方式讲解：基于 LangChain + ChatGLM搭建知识本地库

• 用通俗易懂的方式讲解：基于大模型的知识问答系统全面总结

• 用通俗易懂的方式讲解：ChatGLM3 基础模型多轮对话微调

• 用通俗易懂的方式讲解：最火的大模型训练框架 DeepSpeed 详解来了

• 用通俗易懂的方式讲解：这应该是最全的大模型训练与微调关键技术梳理

• 用通俗易懂的方式讲解：Stable Diffusion 微调及推理优化实践指南

• 用通俗易懂的方式讲解：大模型训练过程概述

• 用通俗易懂的方式讲解：专补大模型短板的RAG

• 用通俗易懂的方式讲解：大模型LLM Agent在 Text2SQL 应用上的实践

• 用通俗易懂的方式讲解：大模型 LLM RAG在 Text2SQL 上的应用实践

• 用通俗易懂的方式讲解：大模型微调方法总结

• 用通俗易懂的方式讲解：涨知识了，这篇大模型 LangChain 框架与使用示例太棒了

• 用通俗易懂的方式讲解：掌握大模型这些优化技术，优雅地进行大模型的训练和推理！

• 用通俗易懂的方式讲解：九大最热门的开源大模型 Agent 框架来了