与「UB」相关的搜索结果

这次去中国，因为个人原因，主要只是在南京周边。从一个外人的角度乱谈点这次管中窥豹的感受： * 交通还在进一步的发展，南京的地铁6号线都快完工了，我居然在栖霞山看到了修好的地铁站。真的是方便。 * 菜鸟驿站现在都是自己扫码出库，老板轻松了很多。大家自己拿东西，我先后拿了几十个包裹，没一个被别人误拿过。这素质还是很高的。 * 南京地铁仍然很多人不让到站的人先下，我是多次靠着自己的大块头硬挤出去的。这点对老人和身体不强壮的女性孩子真的不友好。几天之后坐首尔的地铁，区别还是不小。不但先下后上，他们各种优先座位，车子再挤大家也不随便坐的。 * 出租车普遍气味好了不少。前几年去，10辆有8辆有异味，现在只有2，3辆了。滴滴似乎在搞车内空气质量的整治。不过有异味的，确实不行，有一种体臭加口臭的非常难闻的味道，很怀疑司机是住在车里的。绝大多数司机表情麻木或者烦躁，生活不易，可以理解。愿意说话的，一直在抱怨平台吸血，赚不到钱。有意思的是，回来打Uber，司机一样抱怨平台吸血抽成太多。 * 买菜真是方便极了。盒马叮咚什么的，app下单一两个小时就送到家了。结果是很多超市菜场都关门了。老人们已经无处可逛。 * 有宠物的人很多，天天看到很多遛狗的，还是有不少人不捡狗屎。我有次看到一个哥们在狗狗拉了之后，拿个纸巾捡起了狗屎，刚刚在心里点了个赞，他随手就丢到旁边的景观灌木里了。 * 男厕的烟味依然如故。我去过的几十个国家中，中国男厕的臭味排名绝对前三。尤其是烟臭。很多人躲在厕所抽烟，非常高档的商场和餐厅，男厕依然一股烟味，很多依然地板满是水渍。 * 随地吐痰的似乎少了不少。还是见到过在商场和餐厅干净地面上用痰砸地板的，可能是少数人吧。 * 很多人打喷嚏咳嗽还是没有避开别人的自觉，也不会拿手肘或者衣服挡一下，各种喷，这个确实不适应。 * 这次需要陪人看病，跑了不少医院，效率还是非常高的，各大三甲永远人山人海。 * 不管在哪里排队，都被别人各种加三。直接挤到你前面当你是空气。 * 国人中口臭的还是不少，有些人一张口两米之内简直令人窒息。可能是没有用牙线的习惯，加上无处不在的幽门螺旋杆菌。中国常见的牙线是类似竖琴结构的那种，不是我常见的一盒一盒的。那种牙线，我试过几种，全部都非常粗极其难用。一个是不习惯，一个是我严重怀疑这么粗的牙线会扩大牙间距，不敢再用了。我一般都是自己带一盒，一个trip够用。 * 满大街的零食量贩店，好想来什么的。一家也没进去过。 * 去过十几个Mall，大多数都非常萧条。最夸张的是一个mall大多数店关门，一楼空间直接租出去给人打羽毛球。以前高大上的金鹰，大多店也关门了。 * 餐饮倒是都还不错。香格里拉里的淮阳菜馆江南灶因为是米其林认证，一位难求。科巷满街的小吃还是那么热闹。 * 中国移动支付非常方便，但是银行随便办点P事只要牵涉到窗口人工，动不动两三个甚至四五个小时，填不完的纸质表，签不完的字，还有各种扫描上传，各种同事商量，领导审核。仿佛每个银行都有巨大的存纸质表格的仓库，里面没人再看的故纸堆一直垒到天花板上。 * 通缩似乎确实存在。很多东西和几年前比反而便宜了些。我几年前买过一双某国外品牌的鞋，400多。这次买了同品牌同一家店类似款式的，不到300。 * 美丽的玄武湖晚上变得乌烟瘴气，全是大喇叭直播的唱歌的，跳广场舞的。 * 南京一个二线城市有10家IMAX。这次在中国看了几场电影，效果不错。 * 以前从没在南京街头看到过印度人。现在不但街上看到过一群一群的好几次，医院也见到来看病的。我在首尔也见到不少。前两年去日本，看到便利店店员很多变成了印度人，也很震惊。他们真的占领了全世界，没有歧视的意思，纯被数量吓到。 * 很多人天天刷AI剧。这个风潮还没吹到北美，不过我觉得快了。

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。

I’ve seen a couple of posts about this so wanted to demystify. Today, every Muse user gets a free computer in the cloud. It's a real computer, and we’ve designed the security architecture of the Muse Secure VM carefully so you and your Muse can do almost anything you could with a computer sitting under your desk while keeping you and the system safe from threats like prompt injection. We wrote about this at length in our security blog post – Activity in the “runtime cell”, which you share with your Muse is unfettered, but sensitive actions are all overseen by the Sentinel, which runs outside of that cell. Similarly, all sensitive secrets - like the passwords you enter into Muse’s secure credential storage - are also stored outside the runtime cell. The runtime cell gets its own root filesystem (including a full Ubuntu linux image) separate from the host filesystem where your other more sensitive data lives. Because it is isolated from the sensitive stuff that runs on the same box, this means that we can, and do, offer users full visibility and control over the files in the runtime cell. Just as you can when you install Linux on your home computer, you can poke around and see all the files that make the system work - both debian system files and the binaries and data files that implement the parts of Muse which run in the runtime cell. This was a very deliberate choice - your Muse Secure VM truly is your own computer in the cloud. You can install software in it, write and compile code, use the browser to surf the web: it is your own Linux box that you can operate as you choose with your Muse. Poking around in this computer doesn't give you any privileged access to Meta infrastructure, or to other people's data If I may geek out a little here for a second… As a kid I loved to take things apart to see how they worked. As a teenager I got into computers and soon found myself drawn to C:\WINDOWS\SYSTEM and the system registry, later Slackware’s /dev/, /proc/ etc – I could see how the system was laid out and as I explored what DLL files and .so files actually did, I gradually became able to meld the computer to my own will. We’re really proud to be able to put a real computer in millions of people’s hands with a similar level of transparency. We built a file explorer right into the Library tab of the UI. We want you to be able to see the markdown files Muse writes while it thinks about how to serve you better, and explore the internals of the system if you’d like to. So, when you ask your Muse to show you its entire filesystem, and receive gigabytes of files you’re seeing the full contents of the runtime cell. It’s yours to explore and enjoy! If you’re not a geek like me, or simply want to download the data that you personally have created directly with your Muse, we added a feature for that too in Settings > Data controls > Download your agent data.

𝐌𝐚𝐭𝐜𝐡 𝐃𝐚𝐲 𝐀𝐠𝐚𝐢𝐧𝐬𝐭 𝐭𝐡𝐞 𝐌𝐚𝐯𝐞𝐫𝐢𝐜𝐤𝐬 👊 ℹ️ #HuskiesVolleyball# 🏐 | #GoHuskies# 🐾