真面经，好答案。面试之前，先来面栈。
小红书

大模型算法一面面经

发布时间：面试阶段：一面作者：心有所梦查看原帖

反馈（在 GitHub 新标签页打开）
完整信息
岗位名称：
大模型算法面试内容推测 · 中置信度
岗位分类：
算法与模型研发
技术方向：
大模型与生成式 AI、AI 应用与 Agent
归档编号：
MJ-NC-2026-1161
作者：
心有所梦
原帖标题：
小红书大模型实习一面
所属公司：
小红书
面试阶段：
一面
岗位类型：
实习
发布时间：
更新时间：

7 条问法 · 10 道题

本篇目录

给我面没招了，发点面经攒攒人品～

  1. 项目拷打
  2. Embedding优化
  • 如何通过预训练/微调提升效果？对比过哪些模型
  • 参数量与效果的关系？是否尝试过蒸馏或量化？
  1. RAG车端项目
  • Pipeline中如何解决低延迟问题？Intent分类的标签体系设计逻辑
  • Rewriter是否引入强化学习？如何评估改写后的query质量？
  1. LLM对Embedding的影响
  • LLM的文本理解能力是否降低了对传统Embedding模型的依赖？举例说明。
  • 大模型在传统任务（如文本分类）未涌现的原因？（数据分布/任务形式差异）
  1. LeetCode：卡塔兰数推导（递归公式 + 动态规划实现）
本篇目录

当前问题0107

  1. 01
    如何通过预训练/微调提升效果？对比过哪些模型
    关联题目RAG Embedding 模型不准确时如何优化？RAG 与知识系统 / Embedding 与向量表示故障排查进阶2篇相关面经关联题目如何为检索场景选择和使用 Embedding 模型？已有答案RAG 与知识系统 / Embedding 与向量表示比较选型进阶36篇相关面经
  2. 02
    参数量与效果的关系？是否尝试过蒸馏或量化？
    关联题目Embedding 模型的参数规模如何影响效果，蒸馏或量化应怎样验证？RAG 与知识系统 / Embedding 与向量表示效果评估进阶1篇相关面经
  3. 03
    Pipeline中如何解决低延迟问题？Intent分类的标签体系设计逻辑
    关联题目高并发 RAG 查询中，如何分别优化召回与生成阶段的时延？RAG 与知识系统 / RAG 架构与生成链路方案设计进阶5篇相关面经关联题目Agent 的意图识别模块如何实现？已有答案Agent 原理与系统 / 规划、推理与任务执行方案设计进阶30篇相关面经
  4. 04
    Rewriter是否引入强化学习？如何评估改写后的query质量？
    关联题目查询改写模块是否适合用强化学习优化？RAG 与知识系统 / 查询理解与改写技术决策进阶1篇相关面经关联题目如何评估 Query Rewrite 改写后的查询质量？RAG 与知识系统 / 查询理解与改写效果评估进阶2篇相关面经
  5. 05
    LLM的文本理解能力是否降低了对传统Embedding模型的依赖？举例说明。
    关联题目已有生成式大模型时，嵌入模型仍承担哪些职责？模型基础与推理 / 模型选型与能力边界比较选型基础2篇相关面经
  6. 06
    大模型在传统任务（如文本分类）未涌现的原因？（数据分布/任务形式差异）
    关联题目什么是大模型的涌现能力，如何判断它与模型规模的关系？模型基础与推理 / 模型选型与能力边界概念解释进阶2篇相关面经
  7. 07
    LeetCode：卡塔兰数推导（递归公式 + 动态规划实现）
    关联题目推导卡塔兰数的递推公式，并用动态规划计算。算法与编程题 / 动态规划、贪心与回溯代码题进阶1篇相关面经

同作者面经

心有所梦 · 另收录 10 篇

展开其余 7 篇收起其余 7 篇

相关公司