生成式评估：指标怎么选，打分模型怎么校准？
尚未关联知识库答案
相关性；端到端看任务成功率。关键要区分「检索-生成」耦合评估与解耦评估，避免把召回不足误判为生成幻觉。
小米
/小米 大模型/VLA 一面面经投稿，汇总如下： 本批面经集中在「生成式模型评估」与「具身智能架构」两个方向，体现工业界从拼模型能力转向拼系统落地。 **生成式评估：指标怎么选，打分模型怎么校准？** 相关性；端到端看任务成功率。关键要区分「检索-生成」耦合评估与解耦评估，避免把召回不足误判为生成幻觉。 **VLA 架构：从零设计的关键是动作表示与实时性** 小米具身智能面经全部围绕 VLA 架构与路线判断。标准链路：Vision Encoder → 对齐层 → LLM Backbone → Action Head。动作空间表示是核心分歧：连续值直接回归简单但高频控制压力大；离散 token 可与语言统一但精度受限；Diffusion Policy 在动作平滑性上更有优势。当前最大瓶颈是数据闭环（跨本体、跨场景）和 Sim-to-Real 鸿沟，改进方向是自动标注 + 失败恢复重标，以及结合世界模型做长程规划。 完整面经合集在 llmbases.com 第 9 章，欢迎私信投稿！！！
第 1 轮
生成式评估：指标怎么选，打分模型怎么校准？
相关性；端到端看任务成功率。关键要区分「检索-生成」耦合评估与解耦评估，避免把召回不足误判为生成幻觉。
“VLA 架构：从零设计的关键是动作表示与实时性”这一部分的核心要点是什么？
小米具身智能面经全部围绕 VLA 架构与路线判断。标准链路：Vision Encoder → 对齐层 → LLM Backbone → Action Head。动作空间表示是核心分歧：连续值直接回归简单但高频控制压力大；离散 token 可与语言统一但精度受限；Diffusion Policy 在动作平滑性上更有优势。当前最大瓶颈是数据闭环（跨本体、跨场景）和 Sim-to-Real 鸿沟，改进方向是自动标注 + 失败恢复重标，以及结合世界模型做长程规划。 完整面经合集在 llmbases.com 第 9 章，欢迎私信投稿！！！
根据公司、岗位、季节和元数据确定性匹配。