Questions

900 write-ups

• 1. Как бы вы спроектировали RAG-систему для 10 000 документов с разной структурой (PDF, Word, сканы, HTML, Excel)?
• 2. Как вы решаете проблему «lost in the middle» при работе с длинными контекстами?
• 3. Какие стратегии chunking'а вы знаете и когда какую применяете?
• 4. Какую векторную БД вы выберете для production-системы с >1 млн векторов?
• 5. Как вы оцениваете качество retrieval'а в RAG-системе?
• 6. Что такое гибридный поиск и когда он нужен?
• 7. Как вы уменьшаете latency RAG-системы (время ответа)?
• 8. Как вы обрабатываете запросы, на которые нет ответа в документах?
• 9. Как вы обновляете документы в существующей RAG-системе?
• 10. Что такое Self-RAG и когда его использовать?
• 11. Что такое Hypothetical Document Embeddings (HyDE) и зачем?
• 12. Как вы фильтруете документы по метаданным в векторной БД?
• 13. Как вы загружаете 1000 документов в RAG максимально эффективно?
• 14. Как вы обрезаете контекст, когда retrieved documents > контекстного окна LLM?
• 15. Какие embedding-модели вы использовали и почему?
• 16. Как вы оцениваете качество генерации в RAG? Назовите 3 ключевые метрики.
• 17. Как вы уменьшаете галлюцинации в RAG?
• 18. Что такое Multi-vector retrieval и зачем он нужен?
• 19. Как вы храните историю диалога в RAG для multi-turn QA?
• 20. Как вы обеспечиваете, что RAG работает с документами на русском и английском одновременно?
• 21. Когда вы выбираете fine-tuning вместо RAG, а когда — наоборот?
• 22. Какие методы fine-tuning вы знаете и какой используете чаще всего?
• 23. Как вы подбираете гиперпараметры для LoRA?
• 24. Какой размер датасета нужен для fine-tuning?
• 25. Как вы оцениваете качество после fine-tuning?
• 26. Как вы предотвращаете catastrophic forgetting при fine-tuning?
• 27. QLoRA vs LoRA — в чем разница и когда QLoRA лучше?
• 28. Какие данные нужны для fine-tuning на кастомный стиль общения?
• 29. Как fine-tune модель для следования сложным инструкциям?
• 30. Как вы проверяете, что fine-tuned модель не сломала базовые способности?
• 31. Что такое Parameter-Efficient Fine-Tuning (PEFT) и какие методы вы знаете?
• 32. Как вы подготовите датасет для fine-tuning, если у вас только неструктурированные диалоги с клиентами?
• 33. Какие фреймворки для fine-tuning вы используете?
• 34. Какая у вас была самая сложная проблема при fine-tuning и как вы её решили?
• 35. Как вы fine-tune embedding модель под свой домен (а не используете готовую)?
• 36. Что такое DPO (Direct Preference Optimization) и чем отличается от RLHF?
• 37. Как вы избегаете переобучения при fine-tuning на маленьком датасете?
• 38. Как вы fine-tune модель для функции "вызов внешнего API"?
• 39. Сколько эпох достаточно для LoRA fine-tuning?
• 40. Как вы объединяете несколько LoRA адаптеров для разных задач?
• 41. LangChain vs LlamaIndex vs Haystack — что выберете и почему?
• 42. Что такое LangGraph и зачем он нужен?
• 43. Как спроектировать агента, который может выполнять цепочку из 5-10 действий?
• 44. CrewAI vs AutoGen vs LangGraph — сравнение?
• 45. Как вы тестируете агентов? (сложно из-за стохастичности)
• 46. Какие инструменты (tools/functions) дать агенту для автоматизации бизнес-задач? (ваш кейс!)
• 47. Что такое ReAct Agent и как он работает?
• 48. Как вы реализуете память агента (Memory) на разных уровнях?
• 49. Как вы дебажите агента, который делает неправильные действия?
• 50. Как вы ограничиваете бесконечный цикл агента?
• 51. Как вы передаёте контекст между несколькими агентами (multi-agent system)?
• 52. LangSmith — зачем и как используете?
• 53. Как вы проектируете промпт для агента с инструментами?
• 54. Что такое Semantic Kernel и чем отличается от LangChain?
• 55. Как вы измеряете стоимость (токены) агентской системы?
• 56. Как вы делаете агента "отказоустойчивым" (graceful degradation)?
• 57. Какие паттерны multi-agent систем вы знаете?
• 58. Как вы переносите агента из прототипа в production (MLOps)?
• 59. n8n, Make, Zapier — как вы интегрируете их с LLM?
• 60. Как вы обрабатываете ошибки агента (action не сработал, API вернул ошибку)?
• 61. Как вы разворачиваете LLM в production (self-hosted)?
• 62. Какие метрики вы мониторите для LLM в production?
• 63. Как вы управляете разными версиями промптов в production?
• 64. Как вы обеспечиваете низкую задержку (<500ms) для LLM?
• 65. Как вы обрабатываете rate limiting от LLM провайдеров (OpenAI, Anthropic)?
• 66. Как вы управляете контекстным окном (context window) для длинных диалогов?
• 67. Что такое Prompt Injection и как вы защищаетесь?
• 68. Как вы шифруете данные для RAG (конфиденциальность)?
• 69. Как вы организуете CI/CD для RAG-пайплайна?
• 70. Как вы снижаете стоимость LLM в production на 50%+?
• 71. Как вы тестируете RAG-систему на новых документах без реальных пользователей?
• 72. OpenAI vs Anthropic vs Groq vs Self-hosted — что выбираете?
• 73. Как вы логируете все вызовы LLM для аудита?
• 74. Как вы мониторите дрейф данных (data drift) для RAG?
• 75. Что такое structured output / constrained decoding и зачем это нужно?
• 76. Как вы делаете A/B тестирование двух моделей в production?
• 77. Как вы оптимизируете embedding генерацию для большого количества документов?
• 78. Какие LLM для русского языка вы используете?
• 79. Как вы обновляете embedding модель без полной переиндексации?
• 80. Какие 3 книги/курса вы рекомендуете по production LLM?
• 81. Как бы вы спроектировали систему для 1000 одновременных пользователей чат-бота с RAG?
• 82. Как бы вы спроектировали систему для реального времени (real-time) обработки документов?
• 83. Как спроектировать систему, где LLM должна работать с конфиденциальными данными (медицина, финансы)?
• 84. Как бы вы спроектировали multi-tenant RAG (разные компании, изолированные данные)?
• 85. Как вы обрабатываете смену форматов документов (legacy + новые форматы)?
• 86. Как вы решаете проблему “я знаю, что ответ есть в документах, но retrieval не находит”?
• 87. Как вы обеспечиваете, чтобы ответы LLM были консистентными для одинаковых вопросов?
• 88. Как бы вы добавили "отмену" (cancellation) для длительных LLM операций?
• 89. Как вы спроектируете систему, которая может переключаться между разными LLM провайдерами без даунтайма?
• 90. Как вы проектируете API для внешних систем, использующих вашу LLM?
• 91. Что такое Semantic Caching и как вы его реализуете?
• 92. Зачем нужен embedding-as-a-service и когда вы его используете?
• 93. Как вы дебажите проблему "LLM не следовала системному промпту"?
• 94. Как вы проектируете промпты, которые работают с разными моделями?
• 95. Как вы храните историю изменений промптов (prompt lineage)?
• 96. Как вы предотвращаете галлюцинации в production RAG системе?
• 97. Какую LLM вы выберете для "быстрых" (<200ms) простых задач классификации?
• 98. Как вы документируете RAG-систему для команды?
• 99. Как вы планируете масштабирование команды вокруг LLM-системы?
• 100. Что вы сделаете в первую неделю на новой работе Senior AI Engineer?
• 101. Что такое DSPy и какую проблему он решает, которую не решают LangChain или LlamaIndex?
• 102. Объясните концепцию «сигнатуры» (Signature) в DSPy. Чем она отличается от традиционного промпта?
• 103. Какие оптимизаторы (teleprompters) в DSPy вы использовали и когда? BootstrapFewShot, MIPRO, COPRO?
• 104. Как вы интегрируете DSPy с RAG-пайплайном? Приведите пример сигнатуры.
• 105. Когда DSPy *не* подходит? Назовите 3 сценария.
• 106. Как вы валидируете, что DSPy-оптимизация действительно улучшила модель, а не просто переобучилась под метрику?
• 107. Объясните концепцию «программируемых промптов» (DSPy programs). Как это связано с MIPRO?
• 108. Что такое Assertions в DSPy и зачем они нужны?
• 109. Как вы бенчмарките DSPy против ручного промпт-инжиниринга в production?
• 110. Какое будущее у DSPy? Вытеснит ли он LangChain в 2026-2027?
• 111. Чем мультимодальный RAG отличается от «OCR + текстовый RAG»? Почему второго недостаточно?
• 112. Как вы извлекаете *логические отношения* из диаграммы, а не просто текст?
• 113. Как вы представляете граф знаний из изображения для LLM?
• 114. Что такое Layout-Aware Chunking и как он связан с мультимодальностью?
• 115. Как вы обрабатываете большие таблицы в RAG (500+ строк)?
• 116. Как вы индексируете видео-контент в RAG-системе?
• 117. Какие embedding-модели для мультимодального поиска вы используете? CLIP, BLIP-2, ImageBind?
• 118. Как вы проверяете, что LLM правильно «понял» диаграмму, а не просто угадал?
• 119. Как вы комбинируете текстовый и визуальный поиск (early fusion vs late fusion)?
• 120. Как быть, если одно и то же изображение встречается в документах с разными подписями?
• 121. Назовите OWASP Top 10 для LLM (2025) и 3 самых критичных риска?
• 122. Что такое Indirect Prompt Injection через RAG и как защититься?
• 123. Как вы защищаете RAG-систему от утечки данных между клиентами (multi-tenant isolation)?
• 124. Что такое модель «Least Privilege» для AI-агентов и как её реализовать?
• 125. Объясните разницу между NeMo Guardrails и Garak. Когда что используется?
• 126. Что такое MITRE ATLAS и как он связан с MITRE ATT&CK?
• 127. Как вы проводите red teaming LLM-приложения? Назовите 3 техники.
• 128. Что такое Model Poisoning в контексте RAG и как защититься?
• 129. Как вы обнаруживаете многошаговые jailbreak-атаки (через 10-20 сообщений)?
• 130. Что такое Constitutional AI и как оно применяется в производстве?
• 131. Каковы 3 главных bias-эффекта LLM-as-Judge и как их детектировать?
• 132. Как вы калибруете LLM-судью под человеческие оценки?
• 133. Альтернативы LLM-as-Judge — назовите 3 и их ограничения?
• 134. Как вы оцениваете faithfulness RAG-ответа в production автоматически?
• 135. Что такое Path-level evaluation для Agentic RAG и чем оно лучше token-level?
• 136. Как вы A/B тестируете две версии промпта в production?
• 137. Как вы измеряете drift retrieval-качества в RAG (когда документы меняются)?
• 138. Что такое «оценка с подкреплением» (RLHF evaluation) и как она отличается от обычной?
• 139. Как вы оцениваете cost-effectiveness LLM-пайплайна?
• 140. Как вы проверяете, что новая версия модели не сломала старые кейсы?
• 141. В чем разница между Naive RAG, Adaptive RAG и Agentic RAG?
• 142. Как вы проектируете «планировщика» (planner) для Agentic RAG?
• 143. Как вы боретесь с «бесконечным циклом» агента в Agentic RAG?
• 144. Как вы передаете состояние (state) между шагами агента?
• 145. LangGraph vs CrewAI vs AutoGen — что вы выберете и для каких задач?
• 146. Как вы обеспечиваете «человека в петле» (HITL) для критических действий агента?
• 147. Как вы логируете и дебажите многошаговые агенты?
• 148. Как вы измеряете стоимость агента в production (не только токены)?
• 149. Как спроектировать агента, который может самоисправляться (self-correction)?
• 150. Как вы переключаете агента между инструментами (function calling) с разными сигнатурами?
• 151. Что такое тест-тайм компьютинг (Test-Time Compute) и чем он отличается от обычного инференса?
• 152. В чем разница между Chain-of-Thought (CoT) и Latent Reasoning?
• 153. Что такое ∇-Reasoner (nabla-reasoner) и как он использует градиентный спуск на этапе теста?
• 154. Как масштабируется тест-тайм компьютинг? Есть ли закон diminishing returns?
• 155. Что такое Recurrent Depth в контексте LLM и зачем это нужно?
• 156. Как вы выбираете между увеличением тест-тайм компьютинга и использованием большей модели?
• 157. Какие есть методы ускорения тест-тайм компьютинга? (KV-cache, speculative decoding)
• 158. Что такое EAGLE-3 и чем он отличается от стандартного speculative decoding?
• 159. Как speculative decoding взаимодействует с KV cache?
• 160. Что такое Variational Speculative Decoding (VSD) и чем он революционен?
• 161. Как вы измеряете эффективность speculative decoding?
• 162. Что такое Quasar и как quantized verification ускоряет инференс?
• 163. Как вы деплоите speculative decoding в production?
• 164. Какие trade-offs между разными архитектурами speculative decoding?
• 165. Как тест-тайм компьютинг меняет MLOps?
• 166. Назовите 7 production failure modes для agentic AI систем по PAEF (Pandey, 2026)?
• 167. Как вы детектируете Distribution Collapse у агента?
• 168. Что такое «Tool Degradation with Availability Masking» и как ее обнаружить?
• 169. Как вы измеряете объяснимость (explainability) агентских решений?
• 170. Что такое GIM (Grounded Integration Measure) и чем он отличается от GPQA?
• 171. Что такое IRT (Item Response Theory) и как она применяется к LLM эвалюации?
• 172. Что такое LiveIdeaBench и для чего он нужен?
• 173. Как вы оцениваете креативность LLM в production?
• 174. Что такое «многошаговая когерентность» (coherence illusion) в cascading agent systems?
• 175. Как детектировать «объяснительно-решенческую декомпозицию»?
• 176. Какие инструменты для агентской эвалюации вы используете?
• 177. Как вы измеряете дрейф модели (model drift) для LLM?
• 178. Чем отличается эвалюация LLM от эвалюации традиционных ML моделей?
• 179. Как вы A/B тестируете агентов в production?
• 180. Какие failure modes уникальны для multi-agent систем (vs single agent)?
• 181. В чем проблема «natural language bottleneck» для LLM?
• 182. Что такое «схема» (schema) в контексте LLM и как она связана с языковым представлением?
• 183. Назовите 4 уровня языкового представления по Yang et al. (2026) и объясните разницу?
• 184. Почему естественный язык не подходит для сложного рассуждения?
• 185. Как код как язык представления улучшает рассуждение LLM?
• 186. Что такое «shaping schema through language representation»?
• 187. Как язык промпта (русский vs английский) влияет на схему рассуждения?
• 188. Что такое «Schema-Activated In-Context Learning» (SA-ICL)?
• 189. Как вы проектируете language representation для сложной задачи?
• 190. Как вы комбинируете несколько языков представления в одном пайплайне?
• 191. Какие типы задач требуют Level 3 представления (scientific formalization)?
• 192. Как вы оцениваете качество language representation для задачи?
• 193. Что такое «Clone-Structured Causal Graphs» (CSCG) и как они связаны со схемами?
• 194. Как вы строите DSL (Domain-Specific Language) для вашей LLM-системы?
• 195. Как вы проверяете, что модель действительно использует структуру представления, а не игнорирует ее?
• 196. Как language representation связан с тест-тайм компьютингом?
• 197. Как вы переключаете между уровнями представления для разных типов запросов?
• 198. Какие ограничения у language representation design?
• 199. Как вы combine language representation с DSPy?
• 200. Что вы видите следующим горизонтом после language representation?
• 201. Что такое continuous batching и как оно отличается от static batching? Как это реализовано в vLLM/TGI?
• 202. Как работает paged attention в vLLM? Чем это отличается от стандартного attention механизма?
• 203. Tensor parallelism vs pipeline parallelism vs data parallelism — сравните для LLM инференса?
• 204. Что такое FlashAttention-3 и какие improvements он принес по сравнению с FA2?
• 205. Как вы деплоите LLM с requirement <100ms latency при throughput 1000 req/s? Архитектура.
• 206. Что такое KV cache reuse в multi-turn диалогах и как его реализовать?
• 207. Как работает scheduler в vLLM? Какие алгоритмы выбора запросов?
• 208. Что такое prefix caching и когда он эффективен?
• 209. GGUF vs GPTQ vs AWQ — сравнение форматов квантизации для локального запуска?
• 210. Что такое chunked prefill и зачем он нужен?
• 211. Как вы измеряете и оптимизируете TTFT (Time To First Token) и TPOT (Time Per Output Token)?
• 212. Как работает speculative decoding с несколькими draft моделями?
• 213. Что такое Guided Decoding и как оно связано с JSON schema?
• 214. Как вы реализуете streaming в production с учетом network limitations?
• 215. Что такое Wave Decoding и чем отличается от стандартного авторегрессивного?
• 216. Как вы делаете load testing для LLM endpoint? Какие метрики ключевые?
• 217. Как вы управляете memory fragmentation при длительном раннинге LLM сервера?
• 218. Как работает continuous batching в TGI (Hugging Face Text Generation Inference)?
• 219. Что такое prompt caching у провайдеров (Anthropic, Google) и как его использовать?
• 220. Как вы выбираете между online и batch инференсом для LLM?
• 221. Как работает HNSW (Hierarchical Navigable Small World) алгоритм внутренне?
• 222. Что такое IVF (Inverted File Index) и как он сравнивается с HNSW по speed/quality?
• 223. Как работает Product Quantization (PQ) для сжатия векторов?
• 224. OPQ (Optimized Product Quantization) vs PQ — в чем разница?
• 225. Как вы выбираете параметры HNSW (M, ef_construction, ef_search) под свои данные?
• 226. Что такое Filtered ANN Search и как оно реализовано в Qdrant vs Weaviate?
• 227. ScaNN (Google) vs HNSW — сравнение для больших масштабов (>100M векторов)?
• 228. Как работает DiskANN и когда он нужен?
• 229. Как вы измеряете recall@k для ANN индекса и какой порог acceptable?
• 230. Что такое Hierarchical Navigable Small World + IVF (HNSW+IVF) гибрид?
• 231. Как вы обновляете ANN индекс при добавлении новых векторов без перестроения?
• 232. Что такое Memory-optimized ANN и какие алгоритмы лучшие для ограниченной RAM (<16GB)?
• 233. Как вы делаете hybrid search (vector + keyword) в production на 10M документов?
• 234. Что такое Learned Index Structures for ANN? Новые подходы 2025-2026?
• 235. Как вы выбираете ANN алгоритм под ваш use case (volume, dimensionality, budget)?
• 236. Как вы проектируете RAG для 10k RPS с P99 latency <200ms? Архитектура.
• 237. Что такое circuit breaker и как он применяется к LLM API вызовам?
• 238. Как вы реализуете retry с exponential backoff для LLM API с rate limit?
• 239. Что такое idempotency в контексте LLM API и зачем она нужна?
• 240. Как вы проектируете dead letter queue для failed LLM инференс запросов?
• 241. Как вы делаете distributed tracing для цепочки: user → gateway → RAG → LLM → user?
• 242. Как вы проектируете graceful shutdown для LLM serving pod в Kubernetes?
• 243. Как вы делаете blue-green deployment для RAG системы с zero downtime?
• 244. Как вы проектируете backpressure в LLM serving системе?
• 245. Как вы делаете cache invalidation для semantic cache при обновлении знаний?
• 246. Что такое sidecar pattern для LLM observability и как его реализовать?
• 247. Как вы проектируете multi-region active-active для LLM API?
• 248. Что такое rate limiting на разных уровнях (user, API key, IP, global) и как реализовать?
• 249. Как вы делаете load shedding при перегрузке LLM сервера?
• 250. Как вы делаете health check для LLM сервера с учетом модели (не только процесс)?
• 251. Как вы деплоите LLM на spot instances в облаке?
• 252. Что такое Kafka compaction для логов LLM взаимодействий?
• 253. Как вы делаете асинхронную обработку long-running (>30s) LLM задач?
• 254. Как вы проектируете disaster recovery для LLM системы при сбое региона?
• 255. Как вы управляете секретами (API keys для LLM) в Kubernetes?
• 256. Как вы проектируете ETL пайплайн для 1M документов/день в RAG систему?
• 257. Как вы дедуплицируете документы перед индексацией в RAG?
• 258. Что такое weak supervision для разметки данных для fine-tuning и как его применить?
• 259. Как вы генерируете synthetic данные для instruction tuning?
• 260. Как вы отслеживаете data drift для распределения запросов к RAG?
• 261. Как вы управляете качеством разметки (label quality) для DPO датасетов?
• 262. Как вы проектируете feature store для ML фичей, используемых LLM?
• 263. Как вы обрабатываете PII в данных для RAG (GDPR, 152-ФЗ)?
• 264. Как вы делаете backfill эмбеддингов при смене embedding модели?
• 265. Как вы проектируете data lineage для RAG (от документа к ответу)?
• 266. Как вы делаете incremental ingestion для часто меняющихся документов?
• 267. Что такое data version control (DVC) для RAG корпуса документов?
• 268. Как вы делаете synthetic data generation для редких классов в датасете?
• 269. Как вы обрабатываете streaming данные для real-time RAG?
• 270. Как вы управляете cost хранения векторной БД при миллиарде векторов?
• 271. Как вы делаете schema evolution для метаданных документов в RAG?
• 272. Как вы проверяете качество parsing документов (PDF, DOCX) в production?
• 273. Как вы обрабатываете corrupted или empty документы в ingestion пайплайне?
• 274. Как вы проектируете feature engineering для контекста RAG (кроме текста)?
• 275. Как вы делаете data quality monitoring для RAG корпуса?
• 276. Как работает attention математически (Q, K, V) и как вычислительная сложность масштабируется?
• 277. Что такое multi-query attention (MQA) и grouped-query attention (GQA) и зачем они?
• 278. Как работает RoPE (Rotary Position Embedding) и чем лучше абсолютных позиций?
• 279. Что такое SwiGLU и почему он используется вместо ReLU в современных LLM?
• 280. Как работает RMSNorm (Root Mean Square Normalization) и чем лучше LayerNorm?
• 281. Что такое sliding window attention и зачем он в Mistral?
• 282. Как работает MoE (Mixture of Experts) внутри LLM (Mixtral, GPT-4)?
• 283. Что такое selective attention в контексте long context обработки?
• 284. Как работают современные tokenizers (BPE, Unigram, SentencePiece) и их ограничения?
• 285. Как вы анализируете embedding geometry для отладки retrieval качества?
• 286. Как вы детектируете и фиксите attention sinks в длинных контекстах?
• 287. Как работает градиентный анализ для объяснения решений LLM?
• 288. Как вы тестируете видение модели (vision-language) на пропущенные детали?
• 289. Как работает speculative decoding на уровне логитов, а не токенов?
• 290. Что такое Chain-of-Thought без токенов (latent CoT) и как это реализовано?
• 291. Как вы измеряете uncertainty в ответах LLM (logit-based vs ensemble methods)?
• 292. Как работает temperature sampling и как он влияет на качество при разных значениях?
• 293. Что такое Top-p (nucleus) sampling и как он сочетается с temperature?
• 294. Как вы калибруете вероятности LLM для classification задач?
• 295. Что такое logit lens и как он помогает понимать внутренние представления?
• 296. Как работает извлечение знаний (knowledge editing) из LLM без переобучения?
• 297. Что такое representation engineering (RepE) и зачем он нужен?
• 298. Как вы тестируете robustness LLM к adversarial input (не только injection)?
• 299. Как работает attention между слоями (cross-layer attention) в современных архитектурах?
• 300. Как вы сравниваете две LLM архитектуры не по accuracy, а по efficiency?
• 301. Как устроена иерархия памяти GPU (Global, L2, Shared, Registers) и как это влияет на LLM инференс?
• 302. Что такое warp divergence в CUDA и как он влияет на attention?
• 303. Как работают Tensor Cores в H100/B200 и для чего они нужны?
• 304. Что такое FlashAttention с точки зрения CUDA programming?
• 305. Как вы профилируете GPU utilization для LLM serving (nsys, ncu, nvprof)?
• 306. Что такое NCCL и зачем он для tensor parallelism?
• 307. Как PCIe bottleneck проявляется в multi-GPU инференсе?
• 308. Как работают CUDA streams и как они помогают оверлапить compute и communication?
• 309. Что такое kernel fusion и как он применяется в LLM serving?
• 310. Как вы читаете профиль Nsight Systems для поиска bottlenecks в vLLM?
• 311. Что такое CUDA graphs и как они ускоряют LLM инференс?
• 312. Как работает FP8 quantization на H100 (Transformer Engine)?
• 313. Как вы диагностируете, что проблема в memory bandwidth, а не в compute?
• 314. Как работает NVLink Switch System на DGX H100?
• 315. Что такое MIG (Multi-Instance GPU) и когда он полезен для LLM?
• 316. Как работает Torch Compile (torch.compile) и в чем его ограничения для LLM?
• 317. Что такое MLIR и как он используется в IREE/TensorRT-LLM?
• 318. TensorRT-LLM vs vLLM — сравнение для production deployment?
• 319. Как работает XLA (Accelerated Linear Algebra) для LLM на TPU?
• 320. Что такое ONNX Runtime и когда он выгоден для LLM?
• 321. Как работает graph optimization в LLM компиляторах (constant folding, dead code elimination)?
• 322. Что такое operator fusion в компиляторах и какие паттерны fusion существуют?
• 323. Как вы деплоите LLM с TensorRT-LLM в production?
• 324. Что такое TVM (Apache TVM) и зачем он нужен для AI инференса?
• 325. Как вы сравниваете разные компиляторы (TensorRT, IREE, XLA) для вашей модели?
• 326. Как работает RLHF (Reinforcement Learning from Human Feedback) технически?
• 327. Что такое PPO (Proximal Policy Optimization) и почему он используется в RLHF?
• 328. GRPO (Group Relative Policy Optimization) vs PPO — чем отличается и зачем нужен?
• 329. Как обучается reward model для RLHF и как избегать reward hacking?
• 330. Что такое RLAIF (RL from AI Feedback) и как он масштабируется?
• 331. Как вы измеряете quality RLHF модели вне стандартных бенчмарков (MT-Bench)?
• 332. Как работает KL penalty в RLHF и как подобрать коэффициент?
• 333. Что такое preference data collection и как минимизировать bias в сравнениях?
• 334. Как вы делаете online RL для агентов (self-improvement loops)?
• 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)?
• 336. Что такое KTO (Kahneman-Tversky Optimization) и чем отличается от DPO?
• 337. Как вы проверяете, что RLHF не сломал базовые способности модели?
• 338. Как вы деплоите policy (RLHF модель) в production с online feedback loop?
• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO?
• 340. Что такое Constitutional AI и как RLHF связан с ним?
• 341. Как вы проектируете бенчмарк для нового домена (медицина, юриспруденция)?
• 342. Что такое statistical power evaluation и как определять размер выборки?
• 343. Как вы измеряете и исправляете bias в LLM-as-Judge (self-enhancement, position, verbosity)?
• 344. Что такое reward hacking в RLHF и как его детектировать?
• 345. Как вы проектируете red teaming evaluation для jailbreak устойчивости?
• 346. Что такое meta-evaluation бенчмарков (оценка оценки)?
• 347. Как вы оцениваете alignment модели с человеческими ценностями без gold standard?
• 348. Что такое calibration ошибок модели и как ее измерять (ECE, MCE, Brier score)?
• 349. Как вы проводите A/B тест метрик качества (не бизнес-метрик)?
• 350. Как вы детектируете data contamination в evaluation датасетах?
• 351. Как работает model stealing attack и как защититься?
• 352. Что такое jailbreak taxonomy (OOD, refusal suppression, role-play, перевод)?
• 353. Как работает embedding poisoning для RAG и как защититься?
• 354. Что такое adversarial retrieval (атака на retrieval компонент)?
• 355. Как вы защищаете LLM от градиентных атак (white-box jailbreak)?
• 356. Что такое data poisoning атака на fine-tuning и как защититься?
• 357. Как работает membership inference атака на LLM?
• 358. Что такое watermarking для LLM генераций и как его детектировать?
• 359. Как вы защищаете multi-agent систему от вредоносного агента?
• 360. Что такое adversarial fine-tuning для защиты от jailbreak?
• 361. Как работает CLIP и как training contrastive loss выравнивает текст и изображения?
• 362. Что такое Fuyu-8B и чем архитектурно отличается от GPT-4V?
• 363. Как работает Whisper (architecture, tokenization, training) для ASR?
• 364. Как вы строите real-time voice agent с latency <500ms?
• 365. Как работает мультимодальное выравнивание (alignment) в моделях типа Chameleon (Meta)?
• 366. Как вы делаете RAG для видео (индексация subshots, аудио, ключевые кадры)?
• 367. Что такое Q-Former в BLIP-2 и зачем он нужен?
• 368. Как вы оцениваете мультимодальную модель на hallucinations (POPE, MMHal-Bench)?
• 369. Как работает diffusion backends для генерации изображений в AI-агентах?
• 370. Как вы проектируете систему для real-time video understanding (поток с камер)?
• 371. Что такое LambdaMART и как он используется для reranking в RAG?
• 372. Как вы строите двухступенчатый ретривал (fast ANN + slow cross-encoder) в RAG?
• 373. Что такое learning-to-rank (LTR) и как он применяется к retrieval для LLM?
• 374. Как вы делаете query rewriting и query expansion в RAG?
• 375. Как вы калибруете retrieval confidence для threshold-based filtering?
• 376. Что такое hybrid search с весами (weighted hybrid) и как оптимизировать веса?
• 377. Как вы делаете retrieval для структурированных данных (SQL, Knowledge Graph)?
• 378. Как работает многогранный (faceted) поиск в RAG с фильтрами?
• 379. Как вы оцениваете retrieval с учетом позиции (Position-aware metrics)?
• 380. Что такое semantic ranking на основе embeddings (вторая стадия после ANN)?
• 381. Как вы определяете SLO и SLA для LLM сервиса?
• 382. Как вы проектируете canary deployment для LLM модели?
• 383. Что такое error budget для AI качества и как его считать?
• 384. Как вы проводите chaos engineering для RAG системы?
• 385. Как вы автоматизируете rollback при деградации качества?
• 386. Как вы обрабатываете production incident с LLM (playbook)?
• 387. Как вы делаете multi-region failover с RTO <5 минут?
• 388. Что такое SLI (Service Level Indicators) для AI системы и как их собирать?
• 389. Как вы делаете disaster recovery с RPO <1 минута?
• 390. Как вы проектируете on-call ротацию для AI сервиса?
• 391. Как вы проектируете агента, который может работать непрерывно (24/7) без дрейфа поведения?
• 392. Что такое «agentic mesh» (сеть взаимодействующих агентов) и как вы его дебажите?
• 393. Как вы измеряете «cost of reasoning» у агента (не только токены, но и шаги, время, ошибки)?
• 394. Как вы делаете агента «забывающим» (для GDPR / privacy compliance)?
• 395. Как вы тестируете агента на «неожиданные input» (не только adversarial, но и просто странные)?
• 396. Как вы проектируете «человека в петле» для multi-agent системы с минимальным overhead?
• 397. Как вы делаете агента, который может «просить помощи» у другого агента или человека?
• 398. Как вы версионируете агента целиком (prompts, tools, memory schema, orchestration graph)?
• 399. Как вы делаете A/B тест между двумя агентами с разными архитектурами (ReAct vs Plan-and-Execute)?
• 400. Как вы проектируете систему для continuous learning LLM-агента в production — чтобы агент улучшался от взаимодействий с пользователями без переобучения на шум и без катастрофического забывания?
• 401. Как работает tensor parallelism для LLM инференса? В чем отличие от pipeline parallelism?
• 402. Что такое NCCL и почему он критичен для multi-GPU инференса?
• 403. Как вы проектируете RAG для 10k RPS с P99 latency <200ms? Архитектура.
• 404. Что такое circuit breaker и как он применяется к LLM API вызовам?
• 405. Как вы реализуете retry с exponential backoff для LLM API с rate limit?
• 406. Что такое idempotency в контексте LLM API и зачем она нужна?
• 407. Как вы проектируете dead letter queue для failed LLM инференс запросов?
• 408. Как вы делаете distributed tracing для цепочки: user → gateway → RAG → LLM → user?
• 409. Как вы проектируете graceful shutdown для LLM serving pod в Kubernetes?
• 410. Как вы делаете blue-green deployment для RAG системы с zero downtime?
• 411. Как вы проектируете backpressure в LLM serving системе?
• 412. Как вы делаете cache invalidation для semantic cache при обновлении знаний?
• 413. Что такое sidecar pattern для LLM observability и как его реализовать?
• 414. Как вы проектируете multi-region active-active для LLM API?
• 415. Что такое rate limiting на разных уровнях (user, API key, IP, global) и как реализовать?
• 416. Как вы делаете load shedding при перегрузке LLM сервера?
• 417. Как вы делаете health check для LLM сервера с учетом модели (не только процесс)?
• 418. Как вы деплоите LLM на spot instances в облаке?
• 419. Что такое Kafka compaction для логов LLM взаимодействий?
• 420. Как вы делаете асинхронную обработку long-running (>30s) LLM задач?
• 421. Как вы проектируете disaster recovery для LLM системы при сбое региона?
• 422. Как вы управляете секретами (API keys для LLM) в Kubernetes?
• 423. Как работает tensor parallelism для LLM training? Чем отличается от инференса?
• 424. Что такое pipeline parallelism и проблема pipeline bubbles?
• 425. Как работает sequence parallelism в контексте LLM?
• 426. Что такое 3D parallelism (data + tensor + pipeline)?
• 427. Как вы дебажите медленную меж-GPU коммуникацию в multi-node инференсе?
• 428. Как вы проектируете Kafka топологии для RAG ingestion?
• 429. Что такое end-to-end backpressure в LLM пайплайне и как его реализовать?
• 430. Как вы делаете canary analysis для новой LLM модели?
• 431. Почему LLM inference memory-bound, а не compute-bound?
• 432. Как работает FlashAttention-3 технически? Чем отличается от FA2?
• 433. Почему KV cache растет линейно с длиной контекста и как это оптимизировать?
• 434. Как работает grouped-query attention (GQA) и как trade-off speed/quality?
• 435. Почему MoE (Mixture of Experts) быстрее dense модели при инференсе?
• 436. В чем разница между prefill и decode stage в LLM инференсе?
• 437. Почему decode stage плохо batchится?
• 438. Что такое continuous batching? Как реализовано в vLLM?
• 439. Как работает PagedAttention в vLLM внутренне?
• 440. Как работает speculative decoding? Как выбрать draft модель?
• 441. EAGLE-3 vs Medusa-2 vs Hydra: сравнение speculative decoding методов?
• 442. Что такое prefix caching и когда он эффективен?
• 443. GGUF vs GPTQ vs AWQ: сравнение форматов квантизации для инференса?
• 444. Почему 4-bit inference иногда медленнее 8-bit?
• 445. Как вы измеряете TTFT (Time To First Token) и TPOT (Time Per Output Token)?
• 446. Что такое chunked prefill и зачем он нужен?
• 447. Как работает scheduler в vLLM? Какие алгоритмы выбора запросов?
• 448. Что такое KV cache reuse в multi-turn диалогах и как его реализовать?
• 449. Как вы делаете streaming в production с учетом network limitations?
• 450. Что такое Wave Decoding и чем отличается от стандартного авторегрессивного?
• 451. Как вы делаете load testing для LLM endpoint? Какие метрики ключевые?
• 452. Как вы управляете memory fragmentation при длительном раннинге LLM сервера?
• 453. Как работает continuous batching в TGI (Hugging Face Text Generation Inference)?
• 454. Что такое prompt caching у провайдеров (Anthropic, Google) и как его использовать?
• 455. Как вы выбираете между online и batch инференсом для LLM?
• 456. Что такое Medusa (multiple heads) для speculative decoding?
• 457. Как работает quantization-aware scaling в AWQ для защиты важных весов?
• 458. Что такое FP8 инференс на H100 (Transformer Engine)?
• 459. Как вы дебажите низкую GPU utilization (например, 40% на A100)?
• 460. Как работает tensor parallelism с FP8 в vLLM?
• 461. Почему training 70B модели требует optimizer sharding (ZeRO-3)?
• 462. ZeRO-1 vs ZeRO-2 vs ZeRO-3: что и когда использовать?
• 463. Что такое activation recomputation (checkpointing) и зачем оно нужно?
• 464. Почему BF16 лучше FP16 для training?
• 465. Как работает gradient checkpointing в DeepSpeed?
• 466. Что такое curriculum learning для LLM и как его реализовать?
• 467. Что такое packing sequences и зачем он нужен?
• 468. Почему small batch size (<32) ухудшает training стабильность?
• 469. Как работает Mixed Precision Training (FP16 + FP32 master веса)?
• 470. Что такое DeepSpeed ZeRO-Offload и когда он полезен?
• 471. Как работает FSDP (Fully Sharded Data Parallel) в PyTorch?
• 472. Почему gradient accumulation эквивалентен большому batch с точки зрения оптимизации?
• 473. Что такое torch.compile и как он ускоряет training?
• 474. Как работает FlashAttention для training (не только inference)?
• 475. Почему tokenizer влияет на стоимость training?
• 476. Как работает packing для variable-length sequences в FSDP?
• 477. Что такое curriculum learning на уровне данных для LLM?
• 478. Как работает distributed optimizer в PyTorch (torch.distributed.optim)?
• 479. Что такое activation offloading и когда он нужен?
• 480. Как работает selective activation recomputation?
• 481. Что такое LoRA для training (инференс уже знаем)?
• 482. Как работает QLoRA (Quantized LoRA) для training?
• 483. Как работает DoRA (Weight-Decomposed LoRA) и чем лучше LoRA?
• 484. Что такое ReFT (Representation Fine-Tuning) и когда он лучше LoRA?
• 485. Как вы дебажите training instability (loss spikes, divergence)?
• 486. Почему LLM-as-Judge может быть biased? Назовите 3 основных bias и как их детектировать.
• 487. Что такое calibration ошибок модели и как ее измерять (ECE, MCE, Brier score)?
• 488. Что такое benchmark contamination и как ее детектировать?
• 489. Что такое reward hacking в RLHF и как его детектировать?
• 490. Как вы проектируете бенчмарк для нового домена (медицина, юриспруденция)?
• 491. Что такое statistical power evaluation и как определять размер выборки для A/B теста?
• 492. Как вы измеряете inter-rater reliability для human evaluation?
• 493. Что такое Positional bias в LLM-as-Judge и как его исправить?
• 494. Что такое synthetic eval collapse и как его предотвратить?
• 495. Что такое pairwise comparison vs scalar rating? Когда что использовать?
• 496. Что такое reward correlation и как ее измерять?
• 497. Как вы проектируете red teaming evaluation для jailbreak устойчивости?
• 498. Что такое meta-evaluation бенчмарков (оценка оценки)?
• 499. Как вы оцениваете alignment модели с человеческими ценностями без gold standard?
• 500. Как вы измеряете uncertainty в ответах LLM (logit-based vs ensemble methods)?
• 501. Что такое Path-level evaluation для Agentic RAG и чем оно лучше token-level?
• 502. Как вы A/B тестируете две версии промпта в production?
• 503. Как вы измеряете drift retrieval-качества в RAG (когда документы меняются)?
• 504. Как вы оцениваете cost-effectiveness LLM-пайплайна?
• 505. Как вы проверяете, что новая версия модели не сломала старые кейсы?
• 506. Что такое IRT (Item Response Theory) и как она применяется к LLM эвалюации?
• 507. Что такое calibration в контексте reward model для RLHF?
• 508. Как вы оцениваете faithfulness без ground truth (если нет правильного ответа)?
• 509. Как вы сравниваете две модели, если у них разная latency (быстрая неточная vs медленная точная)?
• 510. Что такое benchmark chasing и почему это опасно?
• 511. Как вы проектируете ETL пайплайн для 1M документов/день в RAG систему?
• 512. Как вы дедуплицируете документы перед индексацией в RAG?
• 513. Что такое weak supervision для разметки данных для fine-tuning и как его применить?
• 514. Как вы генерируете synthetic данные для instruction tuning?
• 515. Как вы отслеживаете data drift для распределения запросов к RAG?
• 516. Как вы управляете качеством разметки (label quality) для DPO датасетов?
• 517. Как вы проектируете feature store для ML фичей, используемых LLM?
• 518. Как вы обрабатываете PII в данных для RAG (GDPR, 152-ФЗ)?
• 519. Как вы делаете backfill эмбеддингов при смене embedding модели?
• 520. Как вы проектируете data lineage для RAG (от документа к ответу)?
• 521. Как вы делаете incremental ingestion для часто меняющихся документов?
• 522. Что такое data version control (DVC) для RAG корпуса документов?
• 523. Как вы делаете synthetic data generation для редких классов в датасете?
• 524. Как вы обрабатываете streaming данные для real-time RAG?
• 525. Как вы управляете cost хранения векторной БД при миллиарде векторов?
• 526. Как вы делаете schema evolution для метаданных документов в RAG?
• 527. Как вы проверяете качество парсинга документов (PDF, DOCX) в production?
• 528. Как вы обрабатываете corrupted или empty документы в ingestion пайплайне?
• 529. Как вы проектируете feature engineering для контекста RAG (кроме текста)?
• 530. Как вы делаете data quality monitoring для RAG корпуса?
• 531. Как вы делаете active learning loop для улучшения retrieval?
• 532. Что такое data contract между сервисами в RAG пайплайне?
• 533. Как вы обрабатываете real-time фичи для LLM (например, текущий сток товара)?
• 534. Как вы делаете data quality для синтетических датасетов?
• 535. Как вы проектируете векторную БД с миллиардом векторов при ограниченном бюджете?
• 536. Как работает CLIP (Contrastive Language-Image Pre-training) внутренне?
• 537. Что такое SigLIP и чем отличается от CLIP?
• 538. Как работает vision encoder в GPT-4V / LLaVA?
• 539. Что такое Fuyu-8B и чем архитектурно отличается от GPT-4V?
• 540. Как работает Q-Former в BLIP-2 и зачем он нужен?
• 541. Как вы делаете RAG для изображений (image retrieval without text)?
• 542. Как вы парсите сложные PDF с таблицами и графиками (не просто текст)?
• 543. Как работает Whisper архитектурно для ASR (Automatic Speech Recognition)?
• 544. Как вы строите real-time voice agent с latency <500ms?
• 545. Как работает мультимодальное выравнивание (alignment) в моделях типа Chameleon (Meta)?
• 546. Как вы индексируете видео-контент в RAG-системе?
• 547. Как вы оцениваете мультимодальную модель на галлюцинации (POPE, MMHal-Bench)?
• 548. Что такое diffusion backends для генерации изображений (Stable Diffusion, Flux) и как их вызывать из агента?
• 549. Как вы проектируете систему для real-time video understanding (поток с камеры)?
• 550. Как работает OCR для RAG? Недостатки и когда его недостаточно?
• 551. Как работает AudioLM и MusicGen для генерации аудио?
• 552. Как вы делаете image captioning для RAG (извлечение описания изображения)?
• 553. Что такое LayoutLMv3 и зачем он для document understanding?
• 554. Как вы делаете image retrieval по тексту с высокой точностью?
• 555. Как работает мультимодальный RAG с unified retrieval (один индекс для текста и изображений)?
• 556. Как вы делаете extraction таблиц из PDF для RAG?
• 557. Как работает Zero-shot classification для изображений (CLIP vs другие методы)?
• 558. Как вы делаете video summarization для RAG (вход — длинное видео, выход — краткое описание)?
• 559. Что такое Audio RAG (RAG для аудиофайлов)?
• 560. Как работает мультимодальная эвалюация (MEGA, MM-Vet) для VL-моделей?
• 561. Как вы проектируете multimodal RAG для диаграмм (flowchart, architecture diagram)?
• 562. Как работает whisper.cpp для локального ASR с low latency?
• 563. Как вы делаете image retrieval с фильтрацией по метаданным (дата, местоположение, камера)?
• 564. Как работает модели типа Kosmos-2 (grounding объектов на изображении)?
• 565. Как вы делаете retrieval для изображений с защитой авторских прав (watermarking)?
• 566. Почему агенты деградируют на длинных horizon (более 10 шагов)?
• 567. Что такое planner/executor architecture для агентов и когда она нужна?
• 568. Как работает Toolformer-like обучение для агентов (self-supervised tool use)?
• 569. Что такое reflection loops для агентов и как они работают?
• 570. Что такое tree search agents (MCTS for LLM) и когда они эффективны?
• 571. Как работают verifier models для agentic RAG и зачем они нужны?
• 572. Что такое trajectory optimization для агентов и как ее реализовать?
• 573. Как вы предотвращаете tool overuse (когда агент вызывает API даже когда не нужно)?
• 574. Что такое memory corruption в агентах и как его детектировать?
• 575. Как работает hierarchical planning для агентов (разбивка на подзадачи)?
• 576. Что такое skill libraries для агентов и как их создавать?
• 577. Как вы делаете agent robustness к adversarial instructions (jailbreak через агента)?
• 578. Что такое agent evaluation метрика: successful task completion rate vs step efficiency?
• 579. Как работает agent replay для улучшения качества (анализ failed траекторий)?
• 580. Как вы делаем agent with theory of mind (понимание намерений пользователя)?
• 581. Что такое multi-agent debate и как он улучшает качество ответов?
• 582. Как работает agent self-improvement через self-reflection on failures?
• 583. Как вы делаете agent с bounded rationality (ограниченные вычислительные ресурсы)?
• 584. Что такое **agent distillation** (обучение маленького агента на траекториях большого)?
• 585. Как вы делаете agent robustness к missing API (когда инструмент временно недоступен)?
• 586. Что такое agent state management (состояние агента между вызовами)?
• 587. Как работает agent with external tool verification (проверка результатов API)?
• 588. Что такое agent explanation fidelity (насколько объяснение соответствует реальному решению)?
• 589. Как вы делаете agent с human values alignment (Constitutional AI для агентов)?
• 590. Как работает multi-agent with role specialization (агенты-эксперты в разных доменах)?
• 591. Что такое agent communication protocol (формат сообщений между агентами)?
• 592. Как вы делаете agent with iterative refinement (улучшение ответа через обратную связь)?
• 593. Как работает agent handover (передача задачи другому агенту)?
• 594. Что такое agent safety constraints (ограничения на действия агента)?
• 595. Как вы делаете agent evaluation на длинных horizon (100+ шагов)?
• 596. Как работает model stealing attack (экстракция модели через API)?
• 597. Что такое jailbreak taxonomy (OOD, refusal suppression, role-play, перевод)?
• 598. Как работает embedding poisoning для RAG и как защититься?
• 599. Что такое adversarial retrieval (атака на retrieval компонент RAG)?
• 600. Как вы защищаете LLM от градиентных атак (white-box jailbreak)?
• 601. Что такое data poisoning атака на fine-tuning и как защититься?
• 602. Как работает membership inference атака на LLM?
• 603. Что такое watermarking для LLM генераций и как его детектировать?
• 604. Как вы защищаете multi-agent систему от вредоносного агента?
• 605. Что такое adversarial fine-tuning для защиты от jailbreak?
• 606. Как работает prompt leakage (кража системного промпта) и как защититься?
• 607. Что такое sandbox escape для AI-агента и как защититься?
• 608. Как работает model inversion атака (восстановление training данных)?
• 609. Как вы защищаете RAG от document injection (вредоносные документы в базе знаний)?
• 610. Что такое malicious embeddings (атака через векторные БД)?
• 611. Как работает adversarial example для embedding моделей (атака на retrieval)?
• 612. Что такое data exfiltration через LLM (утечка данных через ответы)?
• 613. Как работает model watermarking для LLM (идентификация модели-источника)?
• 614. Как вы защищаете LLM от prompt injection через RAG (когда документ содержит инструкцию)?
• 615. Что такое adversarial patch для vision-language моделей (физическая атака)?
• 616. Как работает rainbow teaming (комбинация red + blue + purple teaming для LLM)?
• 617. Как вы защищаете агента от tool injection (вредоносный API ответ)?
• 618. Что такое jailbreak as a service (коммерческие jailbreak сервисы) и как защититься?
• 619. Как работает LLM fingerprinting (идентификация модели по ответам)?
• 620. Что такое differential privacy для LLM и как она работает?
• 621. Как вы защищаете LLM от prompt injection через изображения (VL-модели)?
• 622. Как работает membership inference через logits (разница в вероятностях)?
• 623. Что такое secure aggregation для федеративного обучения LLM?
• 624. Как вы защищаете RAG от data poisoning через неявные инструкции (subtle injections)?
• 625. Что такое adversarial prompt detection для реального времени (runtime)?
• 626. Как работают современные long-context LLM (GPT-4 1M, Claude 200k, Gemini 2M)?
• 627. Как вы тестируете long-context capability модели (бенчмарки: RULER, Needle in a Haystack)?
• 628. Что такое attention sink и почему он возникает в длинных контекстах?
• 629. Как работает sliding window attention в Mistral и Longformer?
• 630. Как работает RoPE (Rotary Position Embeddings) для экстраполяции на длинные контексты?
• 631. Как вы делаете длинный контекст для RAG (100k+ токенов в контексте)?
• 632. Как работает Infini-attention (Google, 2024) для бесконечного контекста?
• 633. Как вы оцениваете reasoning capability (не просто recall) на длинном контексте?
• 634. Что такое "lost in the middle" и как это связано с attention sink?
• 635. Как работает RAPTOR (иерархическое суммирование для длинного контекста)?
• 636. Как вы проектируете промпт для long context рассуждения (CoT, ToT, GoT)?
• 637. Что такое Chain-of-Thought без токенов (latent CoT, COCONUT)?
• 638. Как работает ∇-Reasoner (градиентный спуск в пространстве токенов на этапе теста)?
• 639. Как вы делаете model selection для long context (какая модель лучше держит 100k+)?
• 640. Как работает Multi-query attention (MQA) для long context?
• 641. Что такое grouped-query attention (GQA) как компромисс для long context?
• 642. Как вы реализуете KV cache для 1M токенов на 8x H100?
• 643. Как работает YaRN (Yet another RoPE extensioN) для увеличения контекста?
• 644. Как вы оцениваете faithfulness ответа на длинном контексте (когда много информации)?
• 645. Что такое hierarchical retrieval для long context RAG (когда контекст > 100k)?
• 646. Как работает attention с линейной сложностью (Linformer, Performer, Longformer)?
• 647. Как вы делаете long context для code generation (модель должна видеть весь репозиторий)?
• 648. Что такое streaming LLM для бесконечного контекста (техника rollback)?
• 649. Как вы измеряете reasoning degradation с ростом контекста? (curse of length)
• 650. Что такое memory-efficient attention для long context на 8x H100?
• 651. Как работает attention математически? Выведите формулу scaled dot-product attention.
• 652. Почему в формуле attention нужно делить на √d_k? Что будет без масштабирования?
• 653. Что такое position encoding? RoPE vs абсолютные позиции vs относительные позиции?
• 654. Как работает LayerNorm и RMSNorm? В чем разница и почему RMSNorm быстрее?
• 655. Что такое SwiGLU и почему он лучше ReLU в LLM?
• 656. Как работает кросс-энтропия (cross-entropy loss) для LLM обучения?
• 657. Что такое KL divergence и где она применяется в LLM (RLHF, distillation)?
• 658. Как работает perplexity и как ее интерпретировать? Связь с cross-entropy?
• 659. Что такое Adam optimizer и как работают его параметры (β1, β2, ε, learning rate)?
• 660. Что такое gradient clipping и зачем он нужен при обучении LLM?
• 661. Как работает softmax и почему он вызывает проблемы с градиентами при больших logits?
• 662. Что такое logits и как они связаны с вероятностями? temperature scaling?
• 663. Как работает обратное распространение (backpropagation) в трансформере?
• 664. Что такое vanishing / exploding gradients в трансформерах и как их предотвратить?
• 665. Как работает инициализация весов в LLM (Xavier, Kaiming, почему важна)?
• 666. Что такое FP16, BF16, FP8, INT8 quantization? Когда что использовать?
• 667. Как работает FlashAttention математически (tiling, recomputation, не материализуя S)?
• 668. Что такое индуктивные biases трансформеров? (positional invariance, order sensitivity)?
• 669. Как работает связь между SGD и Adam? Почему Adam лучше для LLM?
• 670. Что такое loss landscape LLM и как оно влияет на обучение (sharp vs flat minima)?
• 671. Как работает эмбеддинг слой и почему его размер (embedding dimension) важен?
• 672. Что такое residual connections и зачем они нужны в трансформере?
• 673. Как работает нормализация перед attention (pre-norm) vs после (post-norm)?
• 674. Что такое logit lens (интерпретация скрытых состояний)?
• 675. Как работает dropout и зачем он нужен в LLM? (regularization)
• 676. Что такое residual stream и как он связан с информационным потоком в трансформере?
• 677. Как работает forward pass LLM: от токена до вероятности следующего токена?
• 678. Как работает greedy decoding vs beam search vs sampling?
• 679. Что такое repetition penalty и как он работает?
• 680. Как работает Mixture of Experts (MoE) внутри LLM (спарсинг активации)?
• 681. Как вы генерируете синтетический датасет для instruction tuning? Self-instruct, Evol-Instruct?
• 682. Как вы оцениваете качество синтетических данных? (Self-consistency, LLM-as-Judge)
• 683. Что такое data augmentation для LLM (back-translation, paraphrasing, masking)?
• 684. Как вы генерируете hard negative примеры для retrieval обучения?
• 685. Как вы детектируете и удаляете низкокачественные примеры из синтетического датасета?
• 686. Как работает synthetic data для RLHF (предпочтения)?
• 687. Как вы делаете synthetic eval (генерация тестовых вопросов по документам)?
• 688. Что такое synthetic data collapse (когда синтетические данные деградируют со временем)?
• 689. Как вы проектируете dynamic benchmark (меняющийся со временем)?
• 690. Как вы измеряете diversity синтетического датасета?
• 691. Как вы делаете synthetic data для редких языков (не английский)?
• 692. Что такое curriculum learning for synthetic data (обучение на легких данных сначала)?
• 693. Как вы обнаруживаете contamination (пересечение synthetic данных с тестовыми)?
• 694. Как работает weak supervision для synthetic данных (создание правил разметки)?
• 695. Как вы делаете synthetic data для multi-turn диалогов (агентов)?
• 696. Что такое active learning для сбора синтетических данных?
• 697. Как вы масштабируете синтетическую генерацию до миллионов примеров (cost optimization)?
• 698. Как вы делаете synthetic data для сложного рассуждения (math, code)?
• 699. Как вы оцениваете, сколько синтетических данных нужно для fine-tuning (power analysis)?
• 700. Как вы комбинируете реальные и синтетические данные для максимального качества?
• 701. Как работает warp scheduling на NVIDIA GPU и как это влияет на LLM kernels?
• 702. Что такое memory coalescing и почему оно важно для attention?
• 703. Как работает L1/L2 cache hierarchy в A100/H100 и как ее использовать для LLM?
• 704. Что такое bank conflicts в shared memory и как их избежать?
• 705. Как работает Tensor Core microarchitecture (WGMMA, MMA инструкции) в H100?
• 706. Что такое TMA (Tensor Memory Accelerator) в H100 и как он ускоряет FlashAttention-3?
• 707. Как работает asynchronous execution на Hopper (copy engine vs compute)?
• 708. Что такое MIG (Multi-Instance GPU) и как настроить для разных LLM?
• 709. NVIDIA Grace Hopper: CPU-GPU unified memory, как это меняет LLM serving?
• 710. Бенчмаркинг LLM на AMD MI300X vs H100: различия в архитектуре и оптимизации?
• 711. Как работает speculative execution на GPU для LLM (branch prediction)?
• 712. Что такое Cooperative Groups в CUDA и как использовать для attention?
• 713. Как работает Mamba (State Space Model) и чем она лучше трансформера?
• 714. RWKV (RNN with Transformer attention): как комбинирует RNN и attention?
• 715. Hyena: как заменить attention на свертки, сохранив качество?
• 716. Когда SSM-архитектуры (Mamba, StripedHyena) лучше трансформеров для long context?
• 717. Почему трансформеры до сих пор побеждают SSM на большинстве задач (2026)?
• 718. Что такое Test-Time Training (TTT) слои и как они работают?
• 719. Как проектировать аукцион для allocation вычислительных ресурсов между агентами?
• 720. Что такое mechanism design для multi-agent systems и как применить к LLM-агентам?
• 721. Как предотвращать collusion (сговор) между агентами в децентрализованной системе?
• 722. Что такое VCG auction (Vickrey-Clarke-Groves) и как он обеспечивает truthfulness?
• 723. Как моделировать экономику агентов с ограниченными бюджетами на API вызовы?
• 724. Что такое emergent specialization в multi-agent systems (агенты сами распределяют роли)?
• 725. Как проектировать reputation system для агентов в децентрализованной системе?
• 726. Как предотвращать free-riding в multi-agent системе (агенты не вносят вклад, но потребляют)?
• 727. Как LLM применяются для protein folding (AlphaFold 3, ESM3)? Архитектура и отличия?
• 728. Что такое AI for materials science (GNoME, MatterGen) и как это отличается от text LLM?
• 729. Как LLM используются для code generation с формальной верификацией (Dafny, Lean)?
• 730. Что такое LLM для symbolic regression (AI Feynman) и как это работает?
• 731. Как комбинировать LLM с симуляторами физики (digital twins)?
• 732. Что такое EU AI Act и как оно влияет на деплой LLM в production?
• 733. Как выполнять requirement on transparency (статья 13 EU AI Act) для LLM?
• 734. Что такое model cards и system cards и как их составлять?
• 735. Как проводить safety case для LLM системы (аналог safety case в авиации)?
• 736. Что такое red teaming certification (стандарты 2026 для оценки robustness)?
• 737. Что такое Harness Engineering и чем он отличается от Prompt Engineering и MLOps?
• 738. Назовите 12+ слоёв эталонной архитектуры Harness?
• 739. Как изменилась роль инженера с приходом Harness Engineering?
• 740. Что такое Context Engineering в рамках Harness и почему это отдельный слой?
• 741. Что такое Partial Harnessing (частичное управление)?
• 742. В чем разница между Workflow и Guidance в теории harness-engineering?
• 743. Какие есть типичные failure modes в harness-engineering (over-decomposition, over-pruning)?
• 744. Что такое Agent Loop и какие компоненты входят в production-ready loop?
• 745. Что такое AgentPool и Handoff в multi-agent orchestration?
• 746. Что такое Safety & Guardrails как слой Harness? Чем runtime guardrails отличаются от тестирования?
• 747. Что такое AdmissionController в Harness и зачем он нужен?
• 748. Как в Harness Engineering реализована эвалюация и дрейф (evaluation & drift)?
• 749. Что такое Session Management в Harness и какие стратегии (TTL, LRU, GC)?
• 750. Как устроена Memory в Harness (in-memory, fs, vector stores, relay)?
• 751. Что такое Tool System в Harness (defineTool, registry, JSON schema validation, rate limiting)?
• 752. Как Harness Engineering помогает решить проблему "гарантий исполнения" в критических миссиях (mission-critical)?
• 753. Что такое Coordination Engineering и чем он отличается от Harness Engineering?
• 754. Как Harness Engineering связан с наблюдаемостью (OpenTelemetry, LangSmith, трассировка)?
• 755. Что такое эволюция (evolution) в Harness Engineering (component registry, drift detection)?
• 756. Как выглядит process operational excellence в Harness Engineering (ORR, Operational Reviews)?
• 757. Какие инструменты и фреймворки существуют для Harness Engineering?
• 758. Как вы проектируете Harness для mission-critical приложения? Приведите пример с агентом для банковских переводов.
• 759. Какие книги или ресурсы вы рекомендуете по Harness Engineering?
• 760. Что такое Delegation Engineering и чем он отличается от Harness Engineering?
• 761. Какие паттерны делегирования существуют (hierarchical, peer-to-peer, market-based)?
• 762. Что такое «эскалация человеку» (human escalation) и как её проектировать?
• 763. Как проектировать fallback-цепи (агент А → агент Б → человек)?
• 764. Что такое graceful degradation в multi-agent системах?
• 765. Как измерять «стоимость делегирования» (токены + время + деньги)?
• 766. Что такое delegation by exception (делегирование только по исключению)?
• 767. Как проектировать SLA между агентом-менеджером и агентами-исполнителями?
• 768. Что такое «ротация агентов» (load balancing между агентами)?
• 769. Как тестировать delegation paths (интеграционное тестирование multi-agent)?
• 770. Что такое «откат делегирования» (rollback delegation) при ошибке?
• 771. Как проектировать delegation с учётом человеческого фактора (усталость, занятость)?
• 772. Что такое «аутсорсинг» задачи другому LLM (с другим API, другой ценой)?
• 773. Как измерять «коэффициент полезного делегирования» (сколько задач решено правильно)?
• 774. Какие инструменты для Delegation Engineering существуют (Airflow для агентов)?
• 775. Что такое Cost Engineering для LLM-систем?
• 776. Как считать TCO (Total Cost of Ownership) для RAG/Agent системы?
• 777. Что такое «cost per good answer» и как его измерять?
• 778. Как проектировать cost-aware routing (дешёвая модель для простых запросов, дорогая — для сложных)?
• 779. Что такое «token budget» для агента и как его выставлять?
• 780. Как измерять ROI от fine-tuning (окупается ли дообучение более дешёвым инференсом)?
• 781. Как проектировать auto-scaling с учётом cost (spot vs on-demand)?
• 782. Что такое «cost attribution» (какой компонент сколько стоит)?
• 783. Как сравнивать cost efficiency разных LLM провайдеров?
• 784. Как строить финансовую модель LLM-продукта для бизнеса?
• 785. Как тестировать агентов на недетерминированность?
• 786. Что такое «golden dataset» для агента и как его создавать?
• 787. Как делать property-based testing для агентов?
• 788. Что такое «simulation testing» (тестирование в симулированной среде)?
• 789. Как тестировать multi-turn диалоги агента?
• 790. Что такое «canary testing» для агентов (10% трафика на новую версию)?
• 791. Как тестировать fallback и graceful degradation?
• 792. Что такое «regression testing» для агентов (старый кейс сломался)?
• 793. Как тестировать инструменты агента (tool testing изолированно)?
• 794. Что такое «test coverage» для агента (покрытие траекторий, а не кода)?
• 795. Как автоматизировать test generation для агента?
• 796. Что такое «chaos testing» для агента (внезапно API вернул ошибку)?
• 797. Как тестировать промпты (prompt regression testing)?
• 798. Как тестировать промпты на регрессии (prompt regression suite)?
• 799. Как интегрировать тестирование агентов в CI/CD?
• 800. Что такое Prompt Registry (каталог промптов с версиями)?
• 801. Как делать A/B тестирование промптов в production?
• 802. Что такое «prompt as code» (промпты в Git, code review)?
• 803. Как делать canary deployment для промптов (5% трафика)?
• 804. Как делать rollback промпта (auto-rollback при деградации метрик)?
• 805. Что такое «prompt linting» (статический анализ промптов)?
• 806. Как управлять dependency между промптами (один промпт вызывает другой)?
• 807. Что такое «prompt observability» (мониторинг эффективности промптов в production)?
• 808. Что такое «prompt templating» и как его версионировать?
• 809. Как управлять версиями промптов в production (best practices)?
• 810. Какие протоколы меж-агентской коммуникации существуют (A2A, MCP, OpenAI swarm)?
• 811. Что такое «message bus» для агентов (Kafka, NATS, Redis PubSub)?
• 812. Как обеспечивать exactly-once delivery между агентами?
• 813. Что такое «actor model» для агентов (Akka, Orleans)?
• 814. Как проектировать rate limiting на уровне сообщений?
• 815. Что такое «dead letter queue» для сообщений агентов?
• 816. Как обеспечивать backward compatibility при изменении протокола?
• 817. Что такое «message schema evolution» (Avro/Protobuf)?
• 818. Как проектировать request-response vs fire-and-forget для агентов?
• 819. Что такое «circuit breaker» на уровне меж-агентских вызовов?
• 820. Как масштабировать vLLM на несколько GPU/нод?
• 821. Как избежать hot shard в Qdrant (или другой векторной БД)?
• 822. Что делать, если embedding pipeline отстаёт от ingestion (backpressure)?
• 823. Как проектировать AI pipeline с at-least-once семантикой?
• 824. Как организовать distributed tracing для agent pipeline?
• 825. Что такое autoscaling inference и как его настроить?
• 826. Как организовать GPU scheduling для multi-tenant LLM serving?
• 827. Какие есть стратегии распределённого кэширования для LLM (Redis Cluster, Memcached, Hazelcast)?
• 828. Как проектировать distributed locking для LLM agents?
• 829. Что такое rate limiting на уровне API Gateway для LLM?
• 830. Как проектировать retry storm mitigation (защита от лавинных ретраев)?
• 831. Как проектировать graceful degradation при отказе vector DB?
• 832. Как проектировать graceful degradation при отказе LLM API?
• 833. Как организовать multi-region active-passive для LLM API?
• 834. Как учитывать CAP theorem в AI systems?
• 835. Как проектировать distributed dead letter queue для сообщений?
• 836. Почему vLLM быстрее TGI (Hugging Face Text Generation Inference)?
• 837. Как работает paged attention? (детально)
• 838. Как speculative decoding ускоряет inference? (детально)
• 839. Чем AWQ отличается от GPTQ?
• 840. Когда tensor parallelism хуже pipeline parallelism?
• 841. Как устроен KV cache? Почему он bottleneck?
• 842. Как работает prefix caching и prompt caching у провайдеров?
• 843. Что такое continuous batching и как оно влияет на throughput?
• 844. Как работает FlashAttention-3 математически?
• 845. Как работают CUDA graphs и когда их использовать?
• 846. Как дебажить memory fragmentation в LLM сервере?
• 847. Как сравнивать quantization методы (GPTQ, AWQ, GGUF, bitsandbytes)?
• 848. Как работает динамическое бэтчирование в TGI vs vLLM?
• 849. Что такое expert parallelism для MoE моделей (Mixtral)?
• 850. Как работают inference schedulers (FCFS, Priority, Fairness)?
• 851. Как строить streaming RAG pipeline (real-time ingestion)?
• 852. Как обрабатывать schema drift в данных для RAG?
• 853. Как организовать feature store для AI (Feast, Hopsworks)?
• 854. Почему Kafka лучше RabbitMQ для event streaming?
• 855. Как проектировать CDC (Change Data Capture) для документов?
• 856. Как организовать data versioning (DVC, LakeFS, Delta Lake)?
• 857. Как реализовать online/offline feature consistency для LLM?
• 858. Как проектировать ETL vs ELT для RAG?
• 859. Как организовать streaming feature pipelines для real-time RAG?
• 860. Инициализация транзакционного продюсера
• 861. Как проектировать data contracts для RAG пайплайна?
• 862. Как делать feature engineering для RAG (кроме текста)?
• 863. Как проектировать Airflow DAG для RAG ingestion?
• 864. Как обрабатывать late-arriving data в ingestion?
• 865. Как проектировать schema registry для метаданных RAG?
• 866. Как генерировать synthetic датасеты для RAG evaluation?
• 867. Как делать adversarial evals для RAG (проверка на устойчивость)?
• 868. Что такое red teaming для LLM и как его проводить?
• 869. Как избежать benchmark contamination (когда модель видела тестовые данные)?
• 870. Как работает LLM-as-judge и почему он biased?
• 871. Как делать pairwise ranking для сравнения моделей?
• 872. Что такое calibration для LLM и как её измерять (ECE)?
• 873. Как детектировать reward hacking в RLHF?
• 874. Как оценивать multi-step agents (не только final answer)?
• 875. Как делать synthetic eval datasets для agentic workflows?
• 876. Как избежать evaluation overfitting (когда модель учится на тесте)?
• 877. Как работает process reward model (PRM) vs outcome reward model (ORM)?
• 878. Как измерять faithfulness для long-form ответов (1000+ токенов)?
• 879. Как делать evaluation для long-context RAG (>100k токенов)?
• 880. Как проектировать golden dataset для agent evaluation?
• 881. Что такое jailbreak taxonomy (полная классификация)?
• 882. Как происходит tool poisoning (атака через инструменты агента)?
• 883. Как защитить RAG от poisoning (вредоносные документы в базе знаний)?
• 884. Как работает model extraction attack и как защититься?
• 885. Как происходит PII leakage через LLM и как защититься?
• 886. Как делать sandboxing для agent tools (изоляция выполнения)?
• 887. Как проектировать agent permissions (least privilege модель)?
• 888. Как защититься от prompt stealing (кража системного промпта)?
• 889. Как детектировать и предотвращать vector DB poisoning?
• 890. Как тестировать robustness LLM к adversarial inputs?
• 891. Что такое planner-executor архитектура для агентов?
• 892. Как работают verifier models для agentic RAG?
• 893. Как работает tree search (MCTS) для LLM агентов?
• 894. Как работает memory compression для агентов (long-term memory)?
• 895. Как оптимизировать траектории агента (trajectory optimization)?
• 896. Как сделать агента самовосстанавливающимся (self-healing)?
• 897. Как работают agent swarms (рой агентов)?
• 898. Как работает Toolformer (обучение агента использованию инструментов)?
• 899. Что такое DSPy в контексте агентов?
• 900. Как работают browser agents и computer use agents (Claude Computer Use)?