发面经攒人品中！1.如果你接手小红书AI数据生产平台一个核心模块(例如:多模态标注+质量体系)，你会如何做18个月战略与路线图?2.结合小红书"UGC内容+搜索+商业化洞察"的特性，你如何证明"数据标注平台"的ROI?(不要求精确数字，但要有可落地的测算框架)3.你怎么看AI数据生产领域的趋势(模型辅助标注、主动学习、生成式标注、对话式交互等)，你会押注的"下一代标注工具形态"是什么?为什么?4.当搜索、推荐、内容治理、商业化分析都来提标注需求，口径冲突、优先级打架时，你怎么做需求收敛与决策?5.请口述你会如何设计"数据进入任务拆分标注质检回流训练/评估版本管理"的端到端链路与核心数据模型。6.如果要上"AI辅助标注/预标注"，你会怎么设计人机协同流程，确保吞吐提升同时质量不掉?7.请你完整描述一个你认可的质量体系:抽检/互审/金标集/一致性度量/申诉机制等如何组合?8.小红书内容天然多模态(图文/视频/语音/评论)，如果目标是"结构化挖掘卖点/口碑/SPU颗粒度"，你会如何设计标签体系与采集策略?9.岗位强调LUI+GUI等创新交互。请你设计一个"对话式/指令式标注"方案，并说明它比纯GUI提升在哪、代价是什么。10.在这种平台型B端工具里，你如何定义PRD规范(数据流、状态机、权限、异常、埋点、验收标准等)，并确保研发/算法/测试理解一致?

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1. 搜索场景下，大模型会给用户体验带来什么颠覆性变化？2. 百度的文心一言和ChatGPT相比，产品层面的核心差距是什么？怎么追？3. 请设计一个“搜索+生成式AI”结合的新功能，并画出简单的原型图。4. 如果搜索结果的AI摘要出现了事实性错误，这是技术问题还是产品问题？怎么解决？5. 你如何看待多模态搜索？用户会在什么场景下需要“拍张照片搜声音”？6. 百度地图接入文心一言，你觉得最值得做的三个场景是什么？7. 知识类内容（如百科）在AIGC时代会被颠覆吗？百度知道、百科该怎么转型？8. 请评估一下：用大模型替代部分人工审核团队，ROI怎么算？

继续来分享下之前的面经~欢迎友好讨论，信息共享1.实习拷打2.在微调大模型时，你使用过哪些框架？它们的优缺点分别是什么？3.CLIP 模型的 zero-shot 能力是如何实现的？它在多模态任务中的应用有哪些优势？4.Transformer 中 Pre-Norm 和 Post-Norm 的设计差异是什么？对模型训练稳定性和性能有何影响？5.在生成式大模型中，为何通常采用 Decoder-only 架构而非 Encoder-Decoder 结构？6.请描述大模型中自然语言理解模块的具体实现方案，包括语义解析和意图识别的关键技术。7.针对 Transformer 模型推理过程，你会采用哪些优化手段？8.请阐述RAG的核心原理，并说明如何通过 RAG 缓解大模型的幻觉问题。9.vLLM 框架的核心优化原理是什么？其在动态批处理和显存管理上有哪些创新设计？10.请对比 RLHF、PPO、DPO 算法的技术差异、优缺点及适用场景。

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目细节深挖2.除了caption数据,为什么还要做一些VQA、reasoning、summary数据呢?3.解释为什么VQA、conversation、reasoning数据可能会提升模型效果4.当时的消融实验是完全消融吗?具体怎么做的?5.你的关键帧是怎么做的?6.技术报告看过吗:glm-4.1V,qwen3-vl,mimo-vl,kimi-vl,seed-1.5-vl7.你有仔细去看现在主流的VLM是怎么去洗数据，或者是怎么构造整套pipeline吧8.假如说你参与到这个进程中，你怎么看待接下来的趋势，或者说你拿到一个STEM任务类型，你会怎么去做，你觉得现在技术报告里的缺点在哪里，你有什么想法吗?9.使用VLM-as-judge做整套的数据清洗pipeline，从合成、清洗、过滤、验证、合并，这块有了解吗