有没有大佬帮忙看看，我的这份简历投一些中小厂企业tob销售可以吗，有什么好的建议

时间：2025/09/04 岗位描述：26正式批-网约车 Base：北京一面时长：40min自我介绍讲一下实习自动化接口测试具体测哪些类似于印象最深的bug是什么简历提到系统升级包，怎么测如何判断一个bug是前端还是后端场景：微信朋友圈新功能发布之后，两个人是好友关系，一个人发布了一条朋友圈但是另一个人看不到（就是怎么考虑是前端还是后端）手撕：LeetCode14.最长公共前缀如何测这个代码反问一面面试官人挺好，不会的还会耐心讲解，说没事的2分钟后约10分钟后二面，但是面试官迟到了20分钟二面时长：45min自我介绍系统中Nginx的作用MVC框架后端是用什么开发的，你了解吗实习接口测试的覆盖...

时间线：0724一面-0806二面-0821HR面一面：1.自我介绍(3min)2.实习经历1(30min)(1)BEV feature的共享情况，FPN的共享情况，BEV encoder细节，BEV范围和分辨率(2)Occ head细节，可见不可见，语义类别，0.2m的分辨率，对路沿不友好（设想过分辨率不均匀的BEV feature）(3)Sparse Occ OPUS的方案设计初衷（后面要改成pillar级别的预测对悬空障碍物不友好）(4)OPUS详细的结构，按照原论文的介绍，coarse to fine模型结构+Loss；后续自己有哪些改进(5)是否上车，BEVFormer部署的问题，下游使用情况3.实习经历2(20min)(1)一阶段检出2D框如何构建proposal，二阶段细节，BEV 的cross attention(2)红绿灯能检出多少米，耗时情况，之前的方案是怎么样的(3)数字灯读秒怎么加的，效果怎么样(4)车道级效果怎么样，具体说一下如何与车道线proposal交互4.代码题（10min）(1)求两个旋转矩形的iou，让说思路，写伪代码(2)先说的如果可以得到四个交点，直接用鞋带公式，然后让我说如何求交点，说怎么分情况讨论（一个矩形在另一个矩形中的角的个数分为0，1，2，3，4，分这些情况求交点）二面：1.自我介绍(3min)2.根据实习经历提问(1)端到端大模型的理解，一段式/二段式，基于BEV的模型(2)时序融合方式(3)Occ真值标注流程，Loss，focal loss， smooth L1 loss(4)多头注意力中的多头，每个头(5)红绿灯方案，一阶段二阶段细节，物理灯逻辑灯设计逻辑，红绿灯为什么要BE3.实验室研究方向(1)脑电现状聊了聊4.反问(1)业务、侧重点、base地员工分布

面试是24年7月的现在已经入职几个月了，补一下面经，帮有需要的同学参考。BG：本硕985 计算机论文1A1B一面：技术面自我介绍 & 简历相关。简单介绍了自己在多模态和大模型方向的研究/工作经历，包括在校期间的论文工作以及实习经历。面试官主要针对简历上的项目提了一些细节问题，比如具体模型的量级，提升了多少，和哪些方法做了比较等。因为是自己的工作，所以没有卡壳。问有没有遇到过 Python 文件之间互相 import 的问题，出现这种问题怎么办？让我简单介绍了一下 PPO 算法，以及和 TRPO 的区别是什么？接着 PPO，问了一下 ChatGPT 的 RLHF 流程，以及为什么不直接用 SFT，而是要用强化这么麻烦的方式训练模型？继续追问 RLHF、SFT、LoRA 的区别，分别适用于什么场景？反问：公司现有业务是什么，计算资源情况等。二面：主管面论文介绍。让我用通俗的语言介绍我自己发表和投稿的论文，重点是研究动机和要解决的问题。问有没有亲手训练过大模型，最多用了多少张 GPU 卡？并行训练使用的框架是什么？介绍一下 DeepSpeed，说一下这个框架在并行的不同阶段（ZeRO stage）分别做了哪些事？训练模型的时候，数据量有多少，怎么收集数据的，训练花了多少时间？遇到的最大问题是什么？问在大模型全量微调时，显存消耗分别由哪些部分占用？（参数、梯度、优化器状态、激活信息等），分别占用多少？假设模型参数量为N，请分不同情况讨论和计算一下微调所需要的显存（不同精度、batch size、seq len 等）。说一下 LoRA 公式，讲一讲其中 A 和 B 两个矩阵分别表示什么。LoRA 的优缺点是什么，什么场景下适合使用？问知道哪些大模型训练和推理框架，用过哪些？问 LLaVA 的结构是什么，和常规的纯文本大模型有什么区别？Encoder-Decoder 结构的模型转 ONNX 的一般流程，遇到不支持的算子怎么办？可能遇到的问题（动态 shape、模型中逻辑判断需要单独写、模块拆分等）。三面：HR 面主要问了为什么选择公司，对团队的看法，对岗位的认识；未来大致的规划，面试过程的体验，有没有别的公司的 offer 等。以及询问了期望薪资等。之后就是等待，最终和期望薪资基本一致。总体感受面试流程比较顺畅，问题也比较贴合岗位要求；如果和岗位匹配度高，一般流程推进速度会很快。入职以后，工作内容和面试被问的问题也差不多，基本上都是算法工程师需要做的内容，团队氛围也很不错。只是毕竟是企业，不可能光搞研究，在承接业务时还是免不了和很多人打交道和来回battle需求，这个无可避免。