PDD四面面经

一开始投了temu深圳的招商运营，一面二面都很顺利，hr面后半个月没动静，遂发邮件问hr进度，这时候hr打来电话说这个岗hc满了，调到了hc比较多的上海的运营管培听起来像是我横向被筛下来了☹️☹️☹️淡淡的死了一下附tl年前投递3/4一面3/9二面3/12hr面3/23发邮件追问后转岗

"兄弟们，刚面完阿里，二面面试官问我：你这实习经历……确定只实习了三个月？" 群里瞬间炸了。 "卧槽，什么情况？" "快说说，你简历上写了啥？" 我把简历截图发了过去：  拼多多集团 · 基础架构实习生  参与核心交易系统的架构设计与研发，独立负责订单服务的微服务拆分与性能优化 在高并发场景下完成容灾容错方案设计，系统可用性从99.9%提升至99.99% 参与分布式缓存技术选型与落地，支撑日均千万级请求 承担新一代消息队列预研工作,输出技术方案并在团队内分享   "这……这真的是实习生能做的？" "我在某...

1、项目，各种聊就行2、ViT的原理，swin-Transformer的原理，各自对比，他们的编码方式，是否可学习，各自优缺点，attention的区别和滑动方法；3、多模态VLM的不同模块的设计原理，attention原理，旋转位置编码原理4、手撕动态规划题目：给定一个三角形 triangle ，找出自顶向下的最小路径和。 每一步只能移动到下一行中相邻的结点上。相邻的结点 在这里指的是 下标 与 上一层结点下标 相同或者等于 上一层结点下标 + 1 的两个结点。也就是说，如果正位于当前行的下标 i ，那么下一步可以移动到下一行的下标 i 或 i + 1 。 示例 1： 输入：triangle = [[2],[3,4],[6,5,7],[4,1,8,3]] 输出：11 解释：如下面简图所示： 2 3 4 6 5 7 4 1 8 3 自顶向下的最小路径和为 11（即，2 + 3 + 5 + 1 = 11）。 示例 2： 输入：triangle = [[-10]] 输出：-10解题代码：# dp 三角def minimumSum(triangle):# top --downfor i in range(len(triangle)-2, -1, -1):# scane all elemfor j in range(len(triangle[i])):# current +=  下一行最小值triangle[i][j] += min(triangle[i+1][j], triangle[i+1][j+1])# top last就是return triangle[0][0]if __name__ == "__main__":triangle = [[2],[3,4],[6,5,7],[4,1,8,3]]print(minimumSum(triangle))triangle = [[-10]]print(minimumSum(triangle)

同花顺团队10篇论文被录取。✅【论文1】FinMTM: A Multi-Turn Multimodal Benchmark for  Financial Reasoning and Agent Evaluation✅【论文2】BCL-IE: Bayesian In-Context Learning Framework for Information Extraction✅【论文3】PuzzleClone: A DSL-Powered Framework for Synthesizing Verifiable Data✅【论文4】SCMAPR: Self-Correcting Multi-Agent Prompt Refinement for Complex-Scenario Text-to-Video Generation✅【论文5】RepoDistill: Repository Knowledge Distillation via Compressive Sensing Budget Allocation and Policy Optimization✅【论文6】GUITester: Enabling GUI Agents for Exploratory Defect Discovery✅【论文7】Select2Reason: Efficient Instruction-Tuning Data Selection for Long-CoT Reasoning✅【论文8】RoadMapper: A Multi-Agent System for Roadmap Generation of Solving Complex Research Problems✅【论文9】Prompt-R1: Collaborative Automatic Prompting Framework via End-to-end Reinforcement Learning✅【论文10】Memory as Action: Autonomous Context Curation for Long-Horizon Agentic Tasks💬欢迎交流