与「Spotify」相关的搜索结果

This track is dedicated to the game @PlayWarframe I love this universe, and the cover features my own Warframe that I play as 💙 Spotify — 💙 Yandex Music — 💙 VK Music —

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。

I sat down with @DariusDale42 to break down whether Scott Bessent is bluffing the bond market, why stocks keep hitting highs, and why balancing the budget may be impossible. We also discuss the K-shaped economy, AI, bitcoin, and America's political realignment. YouTube: Spotify: Apple: TIMESTAMPS: 0:00 - Intro 0:47 - Is Scott Bessent bluffing the bond market? 7:34 - Druckenmiller's op-ed & Bessent's playbook 13:13 - Why stocks & bitcoin are near all-time highs 16:42 - Why balancing the budget is impossible & the impact 24:30 - Housing, young vs old & the lock-in effect 28:02 - Cut, grow, or print? 32:12 - How AI & bitcoin can level the playing field 36:15 - Social mobility & keeping up with the Joneses 39:00 - America's political realignment & future outlook 49:45 - Power, politics & the path forward

I cracked open Meta's Muse - here are some interesting bits 🔽 1. You can ask it for the entire contents of /opt/ and it will zip it up for you 2. There a ~70 preloaded skills and CLI for everything from spotify to instragram-cli 3. "Spaces" is their website builder that uses Tanstack, Bun and Tailwind. Sharing a site deploys it to Cloudflare 4. It will install anything - like a torrent client 5. It has it's own "Muse DB" with a skill to query its own memories/convos with strict guard rails 6. There are a few things not enabled on my account, including "muse mail" which will give muse an inbox and ability to send email Generally impressed that you can just do anything - it's not limited or watered down like I would have imagined

Песня о любви длинной в жизнь, как мы проходим через это путешествие рука об руку Ты моя принцесса-пассажир, ты можешь доверить мне все, я проведу тебя через это и буду оберегать до конца, путешествие и есть ты 💖 🤍 Spotify —

After experiencing Cybercab for the past few days in Austin, I think the biggest thing people are missing is the zero-sum game built into Uber. You have two people sharing one environment, with different preferences. The driver likes the temperature at 66. I want 72. If I get more comfortable, he gets less comfortable. He likes his music. I want mine. He wants the windows open. I want them closed. I take a few extra minutes getting to the car, and those are minutes another human spends waiting for me. There’s this constant little tug of war. My comfort and convenience can come at the expense of his. And I don’t blame the driver. It’s his working environment. He’s in that car all day. Of course he has preferences. That’s why I just let him play whatever music he wants. I don’t want my comfort to come at his expense. We’ve gotten so accustomed to this that we barely notice the tension anymore. Then you take a Cybercab. I set the temperature to 72. Nobody gets less comfortable. I play my Spotify at the volume I want. Nobody has to give up their music. I grab my Starbucks and take a couple of minutes to walk over, within the pickup window. Nobody is sitting there getting irritated with me. The car has no competing preferences. That is a profound change in the experience. I can optimize the ride around what makes me comfortable without asking another person to sacrifice what makes them comfortable. And you feel it. You get in, lean back, and relax. There’s no negotiation. No wondering whether your request is going to annoy someone. That whole layer of social tension disappears. I think this is a huge part of Cybercab’s value. Removing that zero-sum dynamic changes what the service feels like at its core. Once people experience that, I think a lot of them are going to have a very hard time going back to Uber.

孙哥的大事原来是问 Claude Code，这 5000 万美金不能给。 以后遇到大事先问 Claude ，AI 是越来越牛逼了。前几天还有项目在记录交易大佬们的喊单准确率，看看谁是真的有东西。其实现在越来越多项目，都在想办法验证一个人到底是不是真的有这些经历和能力。 前段时间我也发过 T-REX 的任务，当时项目方挺大方，做几个任务就能拿几十 U。最近他们刚完成品牌升级，现在正式叫 Rexy。 这次再看 Rexy，它关注的就是用户过去已经留下的这些记录。你在哪些链上交易、用过哪些交易所、有没有长期订阅 AI 工具，这些东西以前都散落在不同的平台里，Rexy 想做的是把这些经历验证出来，让它们真正成为用户可以使用的一部分。 但问题就在这里，这些数据大部分都在平台自己手里。交易所知道你的交易量和持仓，AI 平台知道你是不是付费用户，Spotify 知道你的使用记录，但这些数据很难直接开放给第三方。 Rexy 通过 ZK 证明，让用户自己来证明这些信息。比如你可以证明自己是某个交易所的活跃用户，或者确实订阅了 Claude，但不用把账户里的具体数据全部交出去。 所以对项目方来说，以后想找高频交易用户、AI 重度用户，或者某个产品的长期用户，就可以根据这些已经验证过的信息去找。对用户来说，也多了一个主动展示自己的渠道，过去做过什么、用过什么，都可以拿出来证明，符合条件的项目方也能直接找到你。 我自己也重新进去体验了一下，现在已经有品牌升级任务和 EdWealth 任务。品牌升级任务可以验证交易所、AI 工具、流媒体、游戏平台等账号，完成后可以拿 Points 和 Badge，截止 9 月 23 日。EdWealth 任务符合条件的话最高可以获得 50 USDC，截止 9 月 7 日 16:00 UTC。 活动链接： 另外 Rexy 最近还推出了 Brand Remix 创作活动，视频、文章、插画、AI 创作都可以参加，最高 100 USDT 奖励。 这次 T-REX 升级成 Rexy，我更关注的是它能不能把这套数据验证和用户匹配真正跑起来，安全带隐私的数据，真的会很值钱。 @Rexy_AI

“We're going to have humans in the loop, and humans are going to need to read code and sign off on it before shipping it. And readability will still matter, and Python remains the hands-on winner for that.” On the latest episode of the Agents + Engineers podcast, Paul Everitt, Developer Advocate at JetBrains and I discuss whether humans will still be reading the code the agents create. I’ve seen a lot written about this topic lately. Yes, you need to verify code works regardless of how it’s created. But are you willing to submit an agentically developed PR to the Linux kernel without reading the code? We also discuss: - How to create handoff packets between different model sizes for efficient delegation - The state of the art for running local models - What agentic engineering means for Python development Listen directly to the episode and be sure to rate and subscribe to the show! Apple: Spotify: a+e Website: