字节实习多模态算法一面面经分享 1h

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1、实习拷打2、你学习的计算机相关的课程有哪些，能简单介绍一下吗？3、多模态融合的项目相关：你的这个项目中的多模态融合，以及cross-attention，动态门控是如何实现的？4、你们的实验结果有和其他模型进行对比吗？5、你们的数据量有多少，数据的来源是哪里，你们的小数据集是不是很可能过拟合？6、你训练的这个模型参数多少？7、智能体项目相关：ReAct模式是怎么样的？8、你觉得你们这个项目的亮点是在哪里？9、你们RAG的部分是如何解决Query混乱，检索精度低的问题的？10、你们检索召回精度是多少？11、你说爬取了罕见病相关的知识进行RAG，那么通用大模型的训练语料会不会已经爬取了他们进行训练，为什么你还要做RAG？12、八股相关：Transformer中的Decoder介绍一下你的理解？13、你在浏览器中输入一个url，到返回请求，中间会经过怎么样的一个流程，你可以详细描述一下吗？14、你用的计算机编程语言中的锁可以介绍一下？15、你有了解过Multi-Agent架构吗？16、你对B+树有了解嘛？17、多头注意力机制你的理解是什么，为什么不能换成单头的？18、你的简历更适合投算法岗，为什么要投我们的ai应用？19、AI coding，开发一个符合具体要求的代码自动审核和修复的Agent，限时半小时

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...

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

本文为本人在2025年暑期实习及秋招面试的所遇到的面试问题整理而成，问题均来自于本人面试各大厂图形及引擎岗所遇到的实际问题，供大家参考。分类和回答由AI编写，仅供参考，建议对自己不了解的问题，初本文回答外，自己更加深入了解一下。 一、C/C++ 基础  C++ 函数的三种传参方式 问：C++ 函数有哪些传参方式？区别是什么？ 答： 常见有三种：值传递、指针传递、引用传递。   值传递：会拷贝实参，函数内修改不影响外部变量，简单安全，但大对象有拷贝开销。 指针传递：传地址，可以修改外部对象，也可以传空指针，适合表达“可选对象”语义，但需要判空。 引用传递：语法像别名，通常比指针更安全，不能为 n...