AI大模型-本科生24暑期实习NLP（Infra & LLM）算法工程师面经_ai infra面经

Brief Intro

今年暑假，在科研和工业界之间，我选择在国内工业界找一份实习，参与到百模大战的浪潮中，主要的意向是知名的LLM领域的独角兽，期望能避免做Dirty Work，在实习过程中也能被重视，做一些有趣的事情。长远来看，我更倾向于做VLM和Agent（RAG），前者代表未来的趋势，后者代表更加经济的ToC模式。

在今年，我投了很多简历，也收到了很多面试邀请，主要的方式是通过**朋友圈、北大未名bbs、北邮人（感谢朋友给的账号）、NLPJOB、牛客网，**通过这样的方式，可以更大程度让技术组长看到你的简历，避免在简历上被HR因为非研究生等因素筛掉。

本篇文章旨在凝练自己20多场面试经验，为本科生找到算法实习生岗位提供样本和自信（在一开始，我自己其实不是很自信，投的都是一些规模偏小的公司，后面越来越有自信，也发现自己的能力确实能够匹配要求），为想找实习的朋友提供一定的经验，如果内容对大家有用，是我莫大的荣幸。

*所有观点仅代表我自己。*

背景

25届转学本科生 (某211 -> 美本top53)，去年暑假在THUNLP做RA，也在面壁智能实习，主要做AI Infra训练一块，有ACL在投，有语音顶会ICASSP，有一些高星开源项目，做的东西比较杂，MLSys和NLP都懂一些，从Arch到Sys到LLM以及VLM的全生命周期都有了解，最近在捣鼓Agent和RAG。

当然，有些东西太杂了也不好，被一位很好的面试官告知了修改简历的建议，要求突出重点，受益良多。

情况

Offer: 新旦科技xDAN、JINA AI、滴滴、智源、联想研究院、零一万物、商汤科技、腾讯AI Lab、上海AI Lab。

面试Rej：米哈游NLP二面拒、百度文心二面拒（可能要避雷，我这次面的是Eval组，做Alignment，简而言之就是标数据集，聊不到一块）。

给了面试但是因为时间原因没面：字节AML、腾讯云、地平线、旷视、百度大数据、Oneflow、360、小红书。

不给面试，直接拒：阿里云（众所周知）、阿里Qwen（需要多篇顶会一作）、华为全系（避雷，不是硕士 = 智障）。

面经

综合

我之前有一些NLP & MLSys的项目（前ChatGPT时代和后ChatGPT时代都有），包括但不限于：

• ASC22：训练YUAN-1.0中文预训练大模型
• NanoGPT：使用Pytorch 2.0 重写 NanoGPT
• Creator：GPT2微调的新闻标题摘要生成模型
• 代码生成：使用AST增强代码模型的功能
• 某分布式训练Pip库：高效易用的LLM Infra训练工具

这次面试的岗位大多数是预训练、少部分是垂类LLM、Agent相关，因此我主要参考了一些简单的八股，简单的Leetcode（后面发现用到的不多）

下面是按照时间顺序整理的一些各公司经验，为了尊重公司的隐私，我尽量使用更加广泛的概念描述，另外有一些细节我也记不太清了，还望海涵。

另外，一点小私货，我个人对于现在的国内LLM公司排行大概是：

Tier 0：阿里Qwen

Tier 1：Minimax、零一万物Yi、百度文心一言、月之暗面Moonshot、GLM、百川智能Baichuan、科大讯飞

Tier 1.5：商汤、腾讯混元、字节大模型、上海AI Lab InternLM

Tier 2：面壁（小模型）、360、XVERSE、昆仑天工大模型

Tier x：其他

新旦智能xDAN、JINA AI、联想研究院

都是比较早期面的了，也都是一面过，基本上和技术负责人聊得很好，主要聊项目。

滴滴

疯狂拷打项目，问了关于很多ZeRO、Megatron的问题，对于Activation、vLLM Decoding这块也问的比较深入，同时也问了下有关BLIP-2对齐方式、LLAVA如何实现模态对齐这些方面，问了LLAMA2特殊的点在哪里（类似SwiGLU激活函数、用了RoPE这块，分别又问深了一些），总体来说聊得还是比较愉快，学到了很多。给了一道写Self Attention和Multihead Attention的题。

百度文心一言

一面拷打项目，同样是问了很多关于MegatronLM的一些内容，也问了transformer的演化，对于我这边有关代码LLM的项目比较感兴趣，问了很多；提出了很多场景让我提供解决方案，经常问如果变一下会怎么样，总体而言面试体验良好。

二面的话就不对劲了，基本上没问简历上面的项目，问了我一堆WordPiece、BPE分词的操作，问Python的一些特性和函数是什么意思，给了一道很离谱的算法题（估计是拒），然后最后给我说要做Alignment，有没有数据标注的经验，感觉还是比较逆天的，考虑到进去之后要用Paddle这么折磨的工具，决定双向不奔赴了。

零一万物

一面拷打项目，两位面试官，问的东西很玄乎，主要问绕在并行计算方面的一些优化点，最后给了一道两数之和的题目来做，莫名奇妙地就过了，对于Yi这边还是我最后补充才问了一点，这家也是唯一一家提供远程机会的公司，产品质量都非常地高，抱着学习的目的，决定先做一做。

商汤科技

一面拷打项目，面试官对于AI Infra的了解非常深刻，也指出了我在前司这边做的项目的一些问题，告诉我可以优化的方向，给出了一些场景，让我给出解决方案，同时也是代码智能这边的Leader，给了一些代码补全的特殊场景的一些优化，考察了一些对于SFT的应用和知识，考了GLM和LLAMA2架构的区别。

二面简介完直接让我打开Megatron讲源码，非常硬核，最后是业务的讲解，比较动容的一句话是：我们商汤要恢复四小龙曾经的荣光，个人感觉做的项目也比较有意思，给的资源也很多，商汤是唯一一家在算力、数据、算法层面上都有丰富资源的地方，最后也决定来这边了。

米哈游NLP

一面快乐聊天聊业务，面试官是这个岗位的Leader，面试官这边感觉比较匹配，也跟面试官沟通了工作可能会做到的细节、对于当前的难点有什么比较好的解决思路。

二面画风突转，面试官是THU这边和上段实习比较熟的博后，问的问题相当深入，一面基本上我都在说主动多轮对话、Agent这边的一些经验，二面这边拷打我预训练的内容，感觉米哈游这边做的东西就比较奇怪，我个人觉得没有给我很好的发挥空间（主要是我这边也有些细节有点遗忘，离上次做已经有快5个月了），最后结果也拖了几天，脆拒了。

整体下来感觉有点割裂，大家各聊各的，对于预训练的点互相Care的也有点不一样，米哈游NLP这边给人的感觉有点奇怪（主观感受）。

腾讯AI Lab

游戏推理方向，偏RL + Infra，RL这边问的多的是PPO和DPO（当然这也是我仅会的），更偏向多智能体应用，Infra这边主要问推理，主要问的多一点的是Flash Decoding，训练这边也问了一些GQA的内容，比较友好，两面都给了一道很简单的Leetcode，今年看上去是真的回暖了一点。

上海AI Lab

Eval方向，一面问的是LLM的全生命周期，让我讲一遍（InstructGPT），问了些GPT4 Technical Report的内容，问的比较细，还是和米哈游那边一样，PLM这一块的内容有所生疏了，问论文实现方式，问掩码推理的一些细节，写MultiHead Attention。

二面这边流程差不多，用Numpy手写Softmax，细节也是比较到位的。

总结

达到了自己的目的，最终也是决定暑假去商汤，感觉在那边还是比较受重视的，资源也很多，待遇这边也很有诚意，总的来说，还是得对自己的项目比较熟悉（当然可能得先有项目），我自己的话是从大一上前ChatGPT时代就开始做LLM了，所以也是赶上了时代的潮流，什么都懂一点可能会改变自己思考问题的一些方式（也方便跑路），所以建议大家也学点其他方面的内容，在Github上面Follow一些有意思的人。

如果要强行归结一条公式，就是更多的高质量相关开源项目+相关高质量Paper（不是说发了多少篇）+实际工作经验（也许学历也占一部分因素，但是也只是够进面），我这边感觉应该是沾了点刘导和THUNLP的光，所以还是很感谢去年THUNLP能够把我收了（如果今年没找到满意的，可能也会回去）。

对于找工作而言，我觉得比自己合适的更重要一些，不要为了所谓大厂的Title做一些不情愿的事情，也希望大家能够对于一些食物保持怯魅的心态。

比较后悔的点是去年末期一边上班一边准备语言考试，对于收尾阶段的工作有些不上心，也对不起Mentor，在今年的面试上也受到了反噬，在后续的规划中，还是打算在工作这边更加上心，学有所得。

我寻获的每一枚符文，都是我们多活了一日的证明。

资源分享

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。