与「月面VRやり投げ」相关的搜索结果

大分県、大分駅前での 《おおいた宙ラボ》宇宙トークショー&宇宙クイズ大会イベント終わりましたー.ᐟ.ᐟ 皆さんありがとうございました🚀🌏 楽しいトークショーであっという間でした〜〜.ᐟ.ᐟ YspaceかわぴーとJAXAふじぴーと ✌( ¨̮ ✌笑 #アミュプラザ大分# #月面VRやり投げ# #Yspace#

【‼️6月2日(火) 23:59 まで‼️】 ⚠️SODグループ30％OFF第2弾 ⚠️動画 売れ筋 25位(05/29) 【VR】【8K】【絶対的美少女顔面】×【変態的オフパコレイヤー】SNS人気コスプレイヤーと密室でベロキスしまくり超絶倫枕営業SEX #野宮あん# #PR# @nomiya_an @nomiya_ankoro

久しぶりの宇宙活動…🚀🌏°.✧⚡︎ 今日は日本橋、大屋根広場でやっている 【宙フェス2023】の食パラダイス鳥取県、星空舞のブースにお邪魔してきました!! 月面VR体験やおむすび🍙貰えるガチャポンもあるよ！ 明日もあるのでよかったら遊びに行ってみてね～ #宙フェス2023# #星空舞# #鳥取県#

中国月球基地计划正以清晰 的“三步走”战略推进： 2030年前实现载人登月， 2035年建成基本型国际月球 科研站， 2045年完成拓展型基地建 设，形成地月协同的深空探 索枢纽。 核心目标与技术路径 载人登月与基地建设时间线 2030年前： 通过“双箭发射+环月对接”方 案实现中国人首次登月，两 枚长征十号火箭分别运送“揽 月”着陆器和“梦舟”飞船至环 月轨道对接，航天员完成月 面勘察与采样返回。 2035年前： 在月球南极建成基本型科研 站，具备短期有人照料、长 期自主运行能力，支持百公 里范围科研活动，能源、通 信及生命维持系统全覆盖。 2045年前： 升级为拓展型科研站，形成 “月球轨道站+月面站”立体架 构，可支持10人半年驻留， 开展全月面资源开发与深空 探测技术验证。 颠覆性技术突破 月壤原位建造： 华中科技大学研发的月壤砖 经空间站1年舱外暴露实验， 抗压强度达普通红砖3倍 （30-40MPa），耐受-190℃ 至180℃温差及强辐射，榫卯 结构实现无黏合剂拼装。 嫦娥八号任务（2028年发 射）将携带全球首台月壤打 砖机，利用太阳能聚焦 （1400℃）熔融月壤并3D打 印建材，降低60%运输成 本。 资源原位利用： 东华大学以“拔丝地瓜”工艺将 0.5克真实月壤拉成3米高强 度纤维，用于增强月壤混凝 土或编织防护结构； 月球南极水冰勘探（2026年 嫦娥七号任务）若成功，可 电解制氧、制氢燃料，支撑 基地能源闭环。 能源与生态保障 多元供能方案： 南极持续光照区部署钙钛矿 太阳能电池（神舟二十三号 正开展空间验证）；中俄合 作推进月球核电站，解决极 夜供电难题。 地外生命支持： 中国空间站实现水稻两代连 续培育，月壤放线菌改造实 验进行中，为基地粮食原位 生产铺路。 🚀战略布局与国际竞争 月球南极： 核心选址的科学逻辑 光照优势： 南极沙克尔顿陨石坑边缘存 在连续光照区（年光照率＞ 80%），保障太阳能稳定供 应。 水冰资源： 永久阴影坑温度-230℃，可 能封存百万吨级水冰，嫦娥 七号将首次深入钻探验证。 地月空间基建先行 中国已在地月远距离逆行轨 道（DRO） 部署三颗卫星， 构建跨度117万公里的自主通 信网，形成深空探测“中转港 口”，大幅降低月球任务燃料 成本。

为什么有人会包养女大学生？ 我负责的一个大供应商。 小老总，酒后明牌告诉我们，他曾在省会大学城包过女大，直到毕业两人分开。 两人在出席同一场活动时认识，女大是兼职礼仪，他一见倾心，拿到联系方式后两人没多久就谈妥，一月八千，给我们看了照片，长得确实出挑。 同事调侃这姿色，价低了呀，是不是有啥缺陷或其他条件。 小老总倒也坦荡，说是包养，实际他工作繁忙，一个月最多去找她两次，有段时间出国近两个月连面都没见，钱照给，女大不肯收，说她啥也没做不能拿钱，这通推辞反而坚定了他必须持有女大的心。 女大乖巧、听话，从来没给小老总惹过麻烦，也不主动要这要那，小老总给她什么，她都开心，甚至主动保证，不会在和他关系存续期间找男友，可也就是因为如此，女大给她的体验阈值过高，两人分开后，小老总反而怅然若失，再也找不到如此的包养对象，后面索性就不找了。 要说包养原因，其实也很俗套：小老总觉得她漂亮、年轻、有活力。

✨どんなに悔いても過去は変わらない。どれほど心配したところで未来もどうなるものでもない。いま、現在に最善を尽くすことである✨ 【松下幸之助(松下電器創業者)】 ✨フォロバ100 フォロバ100変垢以外 ですね✨💕🎶 😈⚔️鬼滅の刃 🇯🇵継国縁壱 🌛黒死牟 【継国縁壱】身長190cm前後体重90kg前後 全集中の呼吸　日の呼吸　基本流派は、「🌊水」「🔥炎」「⚡️雷」「🪨岩」「🌪️風」の5つを考案・教授 「透き通る世界」を 生まれた瞬間から既に体得し、常時発動させていた 【🔥日の呼吸】 壱ノ型 円舞（えんぶ） 弐ノ型 碧羅の天（へきらのてん） 参ノ型 烈日紅鏡（れつじつこうきょう） 肆ノ型 灼骨炎陽（しゃっこつえんよう） 伍ノ型 陽華突（ようかとつ） 陸ノ型 日暈の龍・頭舞い（ひがさのりゅう かぶりまい） 漆ノ型 斜陽転身（しゃようてんしん） 捌ノ型 飛輪陽炎（ひりんかげろう） 玖ノ型 輝輝恩光（ききおんこう） 拾ノ型 火車（かしゃ） 拾壱ノ型 幻日虹（げんにちこう） 拾弐ノ型 炎舞（えんぶ） 拾参ノ型（壱ノ型「円舞」と拾弐ノ型「炎舞」を連続で繋ぐ） 【黒死牟】身長190cm体重93kg 十二鬼月・上弦の壱　全集中の呼吸　月の呼吸　 最強の鬼であると同時に最強の剣士・黒死牟が辿り着いた、"血鬼術"・"全集中の呼吸"と言う対極を合一して至った技 【🌛月の呼吸】 壱ノ型　闇月・宵の宮（やみづき よいのみや） 弐ノ型　珠華ノ弄月（しゅかのろうげつ） 参ノ型　厭忌月・銷り（えんきづき つがり） 伍ノ型　月魄災渦（げっぱくさいか） 陸ノ型　常夜孤月・無間（とこよこげつ むけん） 漆ノ型　厄鏡・月映え（やっきょう づきばえ） 捌ノ型　月龍輪尾（げつりゅうりんび） 玖ノ型　降り月・連面（くだりづき れんめん） 拾ノ型　穿面斬・蘿月（せんめんざん らげつ） 拾肆ノ型　兇変・天満繊月（きょうへん てんまんせんげつ） 拾陸ノ型　月虹・片割れ月（げっこう かたわれづき） 🌺🌸🪷✨💕🎶🌺🌸🪷✨💕🎶✨💕🎶

组内空了个HC，半年了没招上来人。 上个月终于面到一个不错的，没想到上周进到三面被+1毙了，理由是感觉不到对这个岗位的热情。我当时觉得有点莫名其妙，打工到底要多热情啊，而且我一面的时候感受挺好的，有专业能力，有思考，之前也在大厂，会表达会汇报。 今天领导给我发了个简历，说这个你面一下，我看简历觉得可以。 瞬间懂了。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。