1.自我介绍2.项目拷打3.为什么这种架构可以提升 MFU ?4.超长序列建模具体怎么做的？这种方案的区别和优势在哪里？信息被压缩的程度有什么不同？5.假如你要引入向量索引系统，在线 serving 服务要做什么改造？6.样本和线上实时特征如何保持一致？7.OneTrans 把序列和非序列特征放在一起组织，不同行为特征是怎么组织的？8.OneTrans 的金字塔结构具体怎么做？为什么要这么设计？9.attention 机制为什么随着序列变长耗时增加很快？时间复杂度是什么关系？10.如果要优化性能，做什么样的优化？11.多任务学习中的负迁移／跷跷板问题怎么解决？12.特征重要性是怎么评估的？13.除了 mask 特征的方式，还有什么方案可以建模特征重要性？14.如果通过特征加 gate 的方式学习特征重要性，你会怎么设计？15.手撕代码：两两反转链表16.反问环节📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

面试很难，还是要多多练习，攒人品中1. 项目拷打2. 这里推荐用的是公开的数据集做的是吧？详细介绍下数据集？3. 数据集中的评价是文本类的评价吗？4. 因为你是做推荐，你肯定是用到了不同维度的特征嘛，介绍下所用的特征？5. 针对这种数据你是怎么去编码，以及训练的方法？6. 怎么理解这里的正样本和负样本？7. 正负样本的比例大概是多少呢？8. 训练数据总共是用了多少训练数据？训练了多久？9. embedding的初始化方法？10. 多目标优化模型有了解哪些？详细介绍下手撕：快速排序75. 颜色分类（Hot100）

拼多多日常实习 大模型算法一面分享发点面经攒攒人品～1.Pretrain 和 SFT 分别解决什么问题？2.Transformer 的基本结构怎么理解？3.多模态模型的大致结构是什么？最容易踩坑的点通常在哪里？4.SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？5.对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？6.玩过 Openclaw 吗？了解其的记忆机制吗？7.如果检索返回了很多相关的内容，如何选择最相关的？8.了解 embeding 吗？9.了解过 spec-drivening 的 code agent 吗？10.了解上下文压缩机制吗？11.为什么压缩前 70%？最开始的几轮对话明确需求不是很重要吗？拼多多内推链接：https://careers.pddglobalhr.com/campus/intern?t=vSypT8yAuQ 内推码：vSypT8yAuQ

到了HR面就说明你的技术已经过关了，剩下考察的主要就是综合素质和稳定性了。综合素质主要包括过往经历、解决问题的能力、表达能力等，这些都是你可以提前准备的，比如你曾经做过哪些主要项目，遇到了什么困难，怎么解决的，你的学习能力和获取知识的途径等，其实这一部分跟AI面考察的是同样的东西；稳定性则主要包括家庭环境（这个确实不知道到底看重什么，随缘就好）、个人性格，以及你前几段实习或工作的离职原因等，这些也是都可以提前准备的，顺便再表现出对面试公司所在城市、所在行业领域的一个倾向性，通过概率会更高；（一般不建议直接表达出对公司的倾向性，会显得太刻意，容易让hr以为你对每个公司都这样说，还是得委婉一些）