与「Airbnb」相关的搜索结果

What if you could get frontier-level AI classification at 1% of the cost? Airbnb engineers fine-tuned a small language model to deliver comparable accuracy in under 100ms. Here’s how. 👇

Airbnb CTO Ahmad Al-Dahle 在 Latent Space 讲了他们内部怎么用 AI，我把它画成了一张会动的架构图。 几个让我停下来的点： 1. 原型就是交付物。产品、设计、工程不再围着文档开会，直接对着同一份能跑的原型讨论。 2. Everest：一张组织上下文图谱。生鲜业务做了八九个月，经验沉淀进去之后，机场接送只用了约六周。 3. 模型不迷信最强的。他们线上至少有 10 个定制模型，多数是在开源模型上做后训练，按场景评测再选。 4. 异步 agent 开始接值班。告警一响，agent 先被拉起来做第一轮排查。 5. 结果（都是 Airbnb 自己的说法）：人均 PR 吞吐约 1.6 倍，功能和改进同比多了近 80%，客服工单近一半由 AI 独立解决。 最打动我的反而是一条规矩：PR 可以是 AI 写的，但每个工程师必须能讲清楚自己交付了什么内容。

美国政府网站好看不是一天两天了，自从去年 8 月已经上线了很多网站 ，每一个都超级好看。 因为背后的设计团队是 National Design Studio，由知名创业者兼设计师 Joe Gebbia，Airbnb 联合创始人领头创立并运营。团队由来自 Apple、Nike、Google、Meta、Airbnb 等顶尖科技与设计巨头的顶级设计师、工程师、研究员和撰稿人组成。Joe Gebbia 还是特斯拉董事会成员，可以说是设计师能够到的最强天花板了吧。

Andrew Ross Sorkin gushes over Trump's new America. gov website on live TV while Joe Kernen sits there stunned. Sorkin is not a Trump fan, and he lets that be known. But the moment he said the word "credit," Kernen nearly fell out of his chair. SORKIN: “I want to be clear. I am actually not critical of the president in this instance at all, because I actually think it was great to bring everybody together.” “For 29,000 websites, the ability to get a passport, the ability to get your medicare. I mean, the it was like being at a product. It was like being at an Apple product announcement. And when they went through what they did and the president was there in the morning and walked through what they were doing, and Marco Rubio was there, Scott Bessent was there, the whole cabinet was there. It was one of those moments where you actually thought the government was working for you, really? And Gebbia deserves an extraordinary amount of praise for it.” KERNEN: “Do you feel great? Are you have the warmest fuzziest feeling right now listening.” SORKIN: “And by the way, the president deserves credit for that." KERNEN: "Oh my God!" SORKIN: "Credit for putting you in that role. And Jeb and his team putting it all together.” KERNEN: “So now I'm getting hot flashes. Wow. So this is just amazing.” CONTEXT (What happened): Trump launched America. gov, a single government site meant to replace 29,000 federal websites for things like passports and Medicare. It was built by Airbnb co-founder Joe Gebbia, and Sorkin was in the room for the demo. Sorkin also credited the Trump accounts interface as "really easy to use" and "like using a real app."

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。

Should you chase hype or ignore it? The tech industry has been debating this for decades. So at @Sequoia, we dug into 20 years of hype data. This summer, I worked with Sequoia intern @ochonaut to measure hype over the past 2 decades. The chart below ranks the most hyped topics on Hacker News for every year since 2007. Under each year sits the most valuable company founded that year. Here are a few observations: 1/ The top company founded in a given year is rarely related to the hype of that period. Airbnb was founded in 2008, when the top topic was Google. Uber arrived in 2009, while the conversation revolved around low-level programming. Anthropic came in 2021, while the internet was consumed by crypto. Chasing hype rarely leads to enduring outcomes. The top companies of recent years have yet to be decided. 2/ New trends announce themselves five to six years early. LLMs first cracked the top 15 in 2016 and took until 2022 to hit #1#. AI coding entered at #12# in 2021 and tops the list in 2026. Crypto entered in 2011 before 2017 and 2021 peaks. “New” trends don’t appear out of nowhere, and internet subcommunities are often the first to know where the puck is headed. 3/ Long-term “hype” is a durable signal. The “Musk-Verse” has been a top 15 topic for every one of the past 14 years. Sustained attention on the internet is rare and tends to mark something real. Next up, we want to run the same analysis with sources like X and LinkedIn. If that's of interest, give us some encouragement and we'll share the results.