Подготовка к интервью
50 вопросов с собеседований в LifePay
Что проверяют на интервью
Подборка объединяет вопросы, отмеченные на этапах интервью в LifePay. Здесь можно понять структуру технической проверки и заранее повторить связанные темы. В подборке чаще встречаются темы: concurrency, async, mobile.
Каталог
Логиты преобразуют в распределение вероятностей, обычно после temperature и ограничений кандидатов. Основные параметры: temperature, top-k, top-p, штрафы повторов и длина генерации.
Читать ответВыберите проект и пройдите от задачи через архитектуру и ключевые решения к проверке результата. Чётко выделяйте компоненты и изменения, которые сделали лично.
Читать ответQ нового токена умножается на транспонированную матрицу накопленных K, давая scores внимания по позициям. После масштабирования, маски и softmax веса умножаются на V.
Читать ответRedis — хранилище и инфраструктурный компонент, regex — механизм поиска и замены текстовых шаблонов. Это не взаимоисключающие способы очистки документов.
Читать ответСообщение проходит подготовку контекста и токенизацию, затем токены преобразуются в embeddings и обрабатываются Transformer-блоками. Из logits следующего токена выполняется выбор и продолжается генерация.
Читать ответНазовите фактическую IDE или оболочку и объясните, какие задачи она упрощает: просмотр diff, контекст проекта, выполнение команд или навигацию по коду. Не нужен список всех популярных продуктов.
Читать ответВыберите два-три свойства рабочего подхода, которые ещё не прозвучали: самостоятельность, коммуникация, отношение к обратной связи или работа с неопределённостью. Подкрепите их примерами.
Читать ответДополнительные вычисления на ответ оправданы для задач с многошаговым поиском решения и высокой ценой ошибки, если дают измеримый выигрыш. Для простого извлечения или форматирования они могут быть избыточны.
Читать ответВекторный поиск не гарантирует точные фильтры, суммы, JOIN и актуальное транзакционное состояние. Для числовых ответов по SQL-базе основой должны быть проверяемые запросы к данным.
Читать ответРазмерность выхода MLP задаётся последним линейным слоем. В Transformer FFN обычно возвращает d_model, чтобы его выход можно было сложить с residual-входом.
Читать ответMoE использует несколько экспертных подмоделей и router, выбирающий небольшую часть экспертов для каждого токена. Это увеличивает общее число параметров без пропорционального роста вычислений на токен.
Читать ответВ prefill обрабатывается весь prompt и создаётся KV-cache. В decode вычисляют Q/K/V нового токена, добавляют K/V в кеш и используют его для внимания к прошлым позициям.
Читать ответ