流程： -简单自我介绍 -针对我的八股：为什么学这个专业？套公式回答 -实习拷打：2中厂后训练+1 research岗Agent+RAG（offsite，改了下时间线） 1. 问之前的业务线，整个业务的pipeline，项目怎么给公司带来盈利？
尚未关联知识库答案
字节跳动 Seed
我这个bg不知道为什么能被hr和业务捞起来面，想了一整晚也没想明白。第一次面字节就是Seed，没有想象的压力，全程是一种技术交流的心态。 流程： -简单自我介绍 -针对我的八股：为什么学这个专业？套公式回答 -实习拷打：2中厂后训练+1 research岗Agent+RAG（offsite，改了下时间线） 1. 问之前的业务线，整个业务的pipeline，项目怎么给公司带来盈利？ 2.sft到什么程度在做RL？ 3.0.5h对数据层面提出很多疑问，面下来对cot数据制作部分比较感兴趣（sft里加了个loss惩罚，放了个钩子） CoT数据，preference数据，trajectory数据，tool-use数据，failure case数据 4.DPO，PPO，GRPO等时间线八股 -skill，memory，harness -Agentic RL了解 /场景题：风控场景中人都无法进行判断的诈骗，如果让大模型完成任务？ - 论文提问（first author，under review，约等于没有） 1篇传统NLP，3月投 1篇Agent相关，5月投 2篇都是通过堆图片速成的，面试官对文章提出质疑+给出一点建议 总结： 总的来讲不算难，较基础。对 RL 基础的考察比较深入，仅停留在背诵结论的层面不太够，最好能够从公式，优化目标和实际训练过程出发进行解释。 Agent 相关的问题相对较浅，考察对 skill、memory、harness等技术的基本了解，怎么vibe coding的，没有过度深入具体实现细节。 数据是面试官最关注的方向之一，这一点在我近期参加的多场大模型相关面试中都是重点。我认为一方面，数据质量直接影响整个训练 pipeline 的效果；另一方面，团队目前可能有较强的业务落地需求，作为一个实习生，实际工作中应该会涉及较多数据构造和处理任务。 一天后挂。让我去Seed洗数据我也愿意
第 1 轮
流程： -简单自我介绍 -针对我的八股：为什么学这个专业？套公式回答 -实习拷打：2中厂后训练+1 research岗Agent+RAG（offsite，改了下时间线） 1. 问之前的业务线，整个业务的pipeline，项目怎么给公司带来盈利？
sft到什么程度在做RL？
0.5h对数据层面提出很多疑问，面下来对cot数据制作部分比较感兴趣（sft里加了个loss惩罚，放了个钩子） CoT数据，preference数据，trajectory数据，tool-use数据，failure case数据 4.DPO，PPO，GRPO等时间线八股 -skill，memory，harness -Agentic RL了解 /场景题：风控场景中人都无法进行判断的诈骗，如果让大模型完成任务？
根据公司、岗位、季节和元数据确定性匹配。