写个面经攒人品，求个意向一面：业务面，简单问简历，几乎没有扩展八股，手撕sigmoid，手撕batch norm，手撕MHA，三个手撕二面：HR，拼多多HR面老几样，问一些工作感受三面：业务面，每个项目掰开揉碎讲，最后手撕逻辑回归，手撕二叉搜索树，中间穿插问各种loss，正则化四面：应该是主管面，但是面试官没有说是不是主管面。问简历，问diffusion发展流程。无手撕 感觉现在手撕更多喜欢撕传统机器学习算法或者偏底层的函数了，大家多查缺补漏。 另外PDD所有面试官，确实是我见过最温和，考察最合理的了，被考住的时候，一般就真的是自己有疏漏，从来没见过故意刁难或者有刁难嫌疑的面试官

先问深度学习相关，回归模型和分类模型分别是什么，有哪些，是否了解分类模型，二分类的损失函数和激活函数，二分类的评估指标，写sigmoid和交叉熵损失的伪代码然后是transformer相关，写encoder的伪代码流程batchnorm和layernorm的区别，如果要处理会实时不断出现的数据能用batchnorm吗，怎么用？batchnorm在训练和推理中有什么区别？还问了我做的项目中两个方法的损失函数怎么设计最后是两道手撕，一道是删除链表中的重复元素（重复就全部删除），还有一道是在有序矩阵（横向有序，纵向无序）中找到topk元素的最快方法思路，给出时间复杂度

全程1h17min 自我介绍➕项目大概30-40分钟 手撕和八股同时进行：写一下交叉熵公式SGD，adam和adamw说一下有什么不同transformer结构说一下，写一下transformer伪代码，mha的部分展开写grpo原理说一下 最后两道力扣，第一道dp，第二道二分 反问：做达人图文的

百度 推荐算法 三面一、自我介绍二、实习和项目选一段实习经历, 详细介绍场景和工作内容模型参数量, 一次用多少卡如果用一个统一的融合序列来建模, 你觉得可以怎么设计方案? 收益点会在哪里SIM 和端到端建模的差异生成式推荐的做法, 有哪些优势离线在线不一致的原因信息流, 电商, 广告推荐有什么相同和不同三、反问三面完泡了挺久池子, 没有 hr 面直接发意向邮件了

自己都忘了投过这家，看官网似乎是在boss直聘投的。面试全程30分钟左右，部分问题有点卡壳，二分的细节最开始也不太对，最后写对了。58一面：1、自我介绍，项目相关提问2、数据集的匹配过程和效果评测，问大模型sft微调和lora的原理3、yolov5项目提问：转置卷积的做法，前后效果对比4、深度学习训练时解决梯度爆炸或消失的策略，激活函数的作用5、RAG中向量检索的做法，为什么用余弦相似度，而不是欧式距离6、多模态的大模型，业界有哪些比较好的？7、实现二分查找

1.自我介绍2.主要介绍实习内容1.整体项目背景，其中第一个SFT工作的motivation，目标要求a.我主动从此起手的，因为业务背景与动机真的很重要b.背景会让面试官知道你是在什么样的背景下展开的，体现你对业务的整体理解;c.动机体现你知道为什么要做，可以说工作都是为了解决现存的卡点，这点能体现你的hold与自主思考，而不是只会接活就干2，详细介绍第一个SFT工作，主要是我在讲，中间穿插细节询问a.你的数据是怎么构造的，其中特殊形式是什么样的 b，会有多少的人工标注参与，最终量级有多大c.你用的是Qwen3的小模型SFT，它分为推理/非推理模式，你怎么实现的非推理微调 d.顺着拷问原理，Q...

主包被拷打得体无完肤…这就是技术厂的强度吗？面试官看着很和蔼，就是问题相当刁钻，问得主包汗流浃背…1.怎么优化显存？2.transformer中的注意力机制、为什么用softmax、为什么用点积：余弦相似度不行吗？3.PT SFT RL的关系？可以互相替代吗？4.batch size调整过吗？lr有调整过吗？两者需要一起调整吗？5.LoRA原理？数学原理？6.文档去重？手撕代码（一道浅拷贝，一道hot100中等题）反问环节。主包太菜了觉得二面无望，没问进去能干什么，问了我应该如何改进… 总时长：1h20m

简历深挖：技术架构，算法实现，等一般是如何让一个text only的LM变成具备多模态能力？如何将文本映射到向量空间中，并在语言模型中应用？LoRA微调多模态模型时具体微调哪些部分？在你的团队当中主要担任的是什么角色？请根据传统文档处理系统的两个阶段，详细描述RAG中各个模块的功能及数据流转过程如何通过设计prompt模板来控制大模型输出，使其结合top3或top10的文本块及相关文档生成最终结果？Tool call机制是怎么样的？讲一下React范式除了React还有没有了解过其他的类似的planning方式呢？P-tuning和Lora分别适用于哪些场景呢？ 商汤的面试体感绝对是面那么多场...

时间线：0728一面二面-0731三面-0918意向一面：1.自我介绍（3min）2.实习经历1（30min）(1)介绍一下你实现的Sparse Occ的方法（连同BEV多任务的架构）(2)得到BEV的方式（自顶向下，自底向上），相机内外参细节，相机畸变参数和畸变类型(3)voxel级别Occ预测的方式（channel 直接分出height，再卷积），没答出来，没怎么理解这个，虽然很简单(4)介绍了一下OccFormer(5)实习过程种遇到什么问题，还有没有讲到的吗，可以交流3.实习经历2（30min）(1)说了下红绿灯方案背景，介绍了一二阶段，以及上一代红绿灯方案(2)读秒feature的实现，为什么不直接2D然后基于规则来出（基于规则和基于模型的优缺点）(3)提升主要来自于哪里（结合和之前方法的对比+数据的迭代）(4)展开说一说端到端自回归世界模型预训练，自回归监督微调，强化学习微调）4.代码题（10min）(1)给出一些路径，求出最简化的路径，python.normpath API的实现（c++）二面：1.自我介绍(3min)2.实习经历1(20min)(1)OPUS模型，动机（体素级建模耗时，channel2height的方式对于小目标和悬空障碍物不友好），方法，同样从背景介绍了Occ整体结构(2)为什么选择OPUS（方法精简，好迁移，部署方便）(3)基于原模型改动的3个点（预测instance，empty监督，场景与instance分开->BEV cross attention）(4)sparse方式->sparse4D，稀疏采样方式，具体怎么做的(5)有哪些时序融合方式，总结一下3.实习经历2（20min）(1)红绿灯方案简介，巴拉巴拉(2)二阶段训练方式（一阶段fix住后，要训哪些参数），二阶段包含哪些信息，Backbone共享，一开始的这个backbone参数怎么来的？(3)红绿灯先验（没什么强先验，主要是针对小目标以及密集目标），正负样本匹配（阈值，ATSS，OTA，SimOTA，FCOS用的哪个）4.代码题（10min）(1)IoU实现（c++）三面：1.自我介绍(5min)2.实习经历1(20min)(1)模型整体背景，动机，OPUS模型方法，选择的原因，基于原模型的改动(2)对于一些小的障碍物检出效果怎么样，塑料袋之类的(3)下游用行车Occ的情况，Bad case检出效果(4)了解真值数据怎么来的吗(5)工作地点/第一家公司的看法3. 反问（5min）

上次二面完说没有hc了，换到这个岗位了😆1.自我介绍2.简历问3.transformer结构，norm前后位置的作用和影响3.代码环节:自注意力，分类损失函数（这两个主要用伪代码写的）然后一个力扣题:最接近的三数之和4.反问

1、自我介绍2、介绍科研3、实习项目，如果系统的报错信息不是调自己写的日志函数输出的，那么在系统出现问题时，如何定位问题4、介绍OSI七层模型5、TCP UDP的区别6、介绍c++的智能指针7、介绍一个熟悉的STL容器8、如果一个vector的capacity和size都是1，一直插入元素，到n个元素，平均每个元素要移动几次9、算法:输入一个大小为n的字符串，其中是数字0-9，可以修改任意数字，每次修改的代价为修改前后差的绝对值，要求至少有m个数相同，问最小的代价总和大凉特凉，第一面就给我开个坏头的本来简简单单的算法题，愣是没写出来，太久不刷力扣了，今晚就怒刷10道!

项目细节解释经典VLM模型的发展，每一次的优化点。clip-blip-llava-qwen2.5vl-qwen3vl问的少反问了很久hc充足工作强度：11.5h地点：余杭区是给研发提效的平台，给UI提供大模型工具，生成UI设计方案无手撕

📍面试公司：润科通用🕐面试时间：9.23💻面试岗位：算法类❓面试内容：20min左右的腾讯会议，主要就是在拷打简历，项目、实习、竞赛、毕设啥的都问了，然后问了个人规划、工作期望的；最后反问了岗位内容与工作时间最后说是一周内给出反馈，但感觉希望不是很大，主要是调了岗确实不是很双向匹配

1.介绍项目2.redis有哪些数据结构3.项目中用了哪些redis数据结构4.list可以做排行吗5.Mysql索引的类型6.B+树的结构7.left join, right join,join的区别8.on和where的区别9.数据结构了解哪些10.图的存储方式11.问有用过微服务的组件吗（简历上没写，竟然问了，但也没往深处问）12.RabbitMQ有哪些交换机13.RabbitMQ怎么实现延迟消息14.了解哪些设计模式15.懒汉式和饿汉式的区别16.RestController和Controller注解的区别，加了RestController之后接口上可以不加哪个注解17.Autowired和Resource注解的区别18.AOP怎么用的19.什么是动态代理，怎么用20.平时怎么学习的21.大三上怎么就出来实习反问1.做什么业务的，听名字是个人工智能公司2.是外包吗3.要求多久入职腾讯会议面试，对面环境很吵，有许多问题听不清，整个面试没有问一点Java基础，全是Redis，mysql，spring，和之前的面试有很大差别，面试官听到学校离得有点远之后明显态度明显变了基本上都答出来了，RestController注解加了之后接口上不用加哪个注解这个确实忘了，问动态代理怎么用的，这个也忘了，图的存储方式，答了矩阵，又问什么矩阵，很久没复习确实忘了。说周五之前给消息

1、自我介绍2、介绍科研，介绍项目3、从之前的工作中获得哪些经验和收获4、之前工作是否加班，加班多少，对加班有什么看法5、是否接受出差6、工作具体方向(可能不一定和图像相关，会是做音频）7、反问十分钟结束战斗，准备的问题都没有问到，害怕

1️⃣RAG 有哪几个步骤？Step1:将文本分割成块;Step2:使用编码模型将这些块嵌入到向量中，将所有这些向量放入索引中;Step3:LLM 创建一个提示，告诉模型根据我们在搜索步骤中找到的上下文来回答用户的查询。2️⃣实际项目中RAG有哪些优化技巧？首先召回源会考虑多路召回，在召回后面增加一个重排序的阶段，提升召回的质量。另外，重排序模型以及生成模型会根据系统问答的指标情况，进一步微调。3️⃣RAG 中为什么会出现幻觉？出现幻觉问题主要分为两大类，一是生成结果与数据源不一致，训练数据和源数据不一致、数据没对齐或者编码器理解能力的缺陷导致；二是用户问题超出了大模型的认知，用户的问题不在语言模型认知范围内导致。4️⃣RAG 一般怎么做效果评估？RAG 做效果评估主要是针对检索和生成两个环节。对检索环节，我们可以采用 MRR 即平均倒排率，前 k 项的 Hits Rate 命中率， NDCG 排序指标等。生成环节首先是量化指标，再评估生成答案的多样性，看看模型是否能够生成多种合理且相关的答案。还需要引入人类评估，考虑资源效率。5️⃣针对幻觉的问题，有什么解决思路？加入一些纠偏规则，比如采用 ReAct 的思想，让大模型对输出的结果进行反思。还有一种思路是集成知识图谱，即不再局限于向量数据库匹配，做召回时不仅考虑文档块，同时还考虑图谱的三元组。将知识图谱( KGs ）集成到 RAG 中，通过利用知识图谱中结构化且相互关联的数据，可以显著增强当前 RAG 系统的推理能力。6️⃣在实际做项目中，经常遇到各种边界的 case ，一般怎么解决？这个需要分情况来看，首先是无效问题：如果对于知识库中没有的问题，我们需要做一个准入的判别，判断是否需要回答。一般是一个二分类模型，或者直接用大模型+ prompt 来做，使模型在这种情况下输出一个预设的兜底话术。第二个是减少幻觉，在推理模块中添加规则和提示工程技术。还有一种是格式错误：模型可能会生成无法解析的答案，这种可以设计一个备份的代理大模型，当解析失败时，可以基于代理大模型直接生成简洁准确的总结。📳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。

1. k-means聚类点初始化阶段有什么优化策略？2. 如何评估聚类的好坏？3. 介绍transformer架构？4. Attention计算时间复杂度？5. 超长序列下降低Attention时间复杂度的方法？6. Transformer用的什么Norm？7. 分类模型的指标有哪些？8. 分类模型的损失函数？交叉熵损失相比于均方差损失的优势？9. 模型训练过程中哪些行为可能导致梯度爆炸？10. 手撕 树的最长链长度 面的实在有点痛苦，主包做的大模型方向，确实对过去的分类模型不是很了解，问的东西也没什么答出来的，大模型相关的八股也没问，简历上的东西也不问，应该是业务原因吧，可能用大模型不多所以...

疯狂输出二十分钟，主要讲了科研项目，本科时期的竞赛和各种学生工作，(包括还有遇到什么困难，怎么解决，学到了什么，收获最大的是什么)还问了一下职业规划，没有问技术向的问题，最后反问结束凉凉的可能性偏大。

算法 题目给定一个 n x n 矩阵，其中每行和每列元素均按升序排序，找到矩阵中第 k 小的元素。请注意，它是排序后的第 k 小元素，而不是第 k 个不同的元素。示例 ：matrix = [[ 1,  5,  9],[10, 11, 13],[12, 13, 15]],k = 8,返回 13。