vivo 2026春招最后一波

rt，本人学院本，考研失败，过了英语四级，现在想校招找一份嵌入式软件实习转正的工作.学过C51，自学了esp32（毕设也是esp32的项目）.学过c，java，python，c#（熟悉点的就java和c，java做过springboot的项目）请问怎么样才能找到一份合适的校招offer呢？求分享经验

1月到2月中是提前批，企业早早就招人，竞争稍稍小点儿；2月中到4月中是主力时段，岗位最多，得抓紧投；4月中到5月是补录，前面没录上的可以再试试捡漏。早点准备总没错，别等最后扎堆儿！

算法： 一、算法题 & 代码思路滑动窗口最大值的解题思路是什么？为什么选择使用双端队列？双端队列维护了哪些内容、具备什么性质？口述讲解这道题的整体思路（被judge怀疑写力扣不够多了）八股：二、大大模型模型预训练流程一个开源大模型在预训练过程中会经历哪些步骤？你是从哪些方面、哪些渠道学习并理解这些预训练知识的？（可能这里开始质疑我有点背答案的逻辑了）BERT 和 GPT 架构最核心、最本质的区别是什么？四、简历拷打开始从项目去拷问：你所理解的视频理解是粗粒度总结，还是细粒度描述？能否捕捉动作的开始、过程、结束？固定摄像头场景单一有限，用大模型做事件判断性价比是否不高？简单任务（如闯入检测）是否用小模型、路由、MoE 架构更合适？这种情况下，使用视觉大模型（VLM）的意义在哪里？用大模型做数据预标注，为后续小模型服务，这套思路是否合理？大模型在工业落地中，真正的性价比体现在什么地方？五、反问1，公司业务是否会涉及视频细粒度动作理解？不只是判断 “动作是否发生”，还要精确识别动作发生次数，避免重复扣费、误扣费这类问题。回答：确实有这类细粒度视频理解与识别需求，核心是精准、不重复、不误判。目前业界 / 团队常用方案：用多个专用小模型组合，针对特定任务做定制化小模型。采用 MoE（混合专家模型） 架构，但不是简单路由，路由逻辑需要专门设计，用来解决特定任务。现在也在探索：利用大模型 / 大语言模型的能力，提升复用性，希望换任务也能快速适配，减少重复开发，因此在尝试搭建新架构。2. 关于细粒度视频数据 & 数据集构建训练这些细粒度识别小模型时，数据和标注是怎么获取 / 构建的？回答：采集行业真实数据主要流程：采集行业真实数据 → 交给外包公司标注（YOLO、分割等常规标注）。模型上线部署后，把线上回传的困难样本 / 错误样本再人工补充标注。整体思路：先众包 / 外包大规模标注再人工筛选、修正难例，是业界比较经典的做法。3，面试官一般怎么判断面试者有没有背稿、有没有用辅助工具？回答：看表达一致性真实做过的人，叙述风格、逻辑是统一的；背稿 / 套话，容易在切换问题时风格断裂、内容漂浮。看是否聚焦问题本身真懂的人会顺着问题深入聊；套答案的人容易答非所问、逻辑不连贯。紧张很正常面试少、科研多的同学容易紧张，多面几次就会像日常学术聊天一样自然。建议把面试当成和老师 / 教授学术讨论，懂就说懂，不懂就坦诚，重点看人岗匹配。大概率寄了，就当聊聊天

发一下问题给大家参考，攒攒人品！1. 项目拷打2. 你这个AXI bridge的IP用的是什么样的验证方式？是用的VIP还是自己搭的UVC？3. 能简单介绍一下你整个环境搭建的流程吗？4. 你的VIP是通过什么样的方式集成到环境里的？集成的步骤是怎样的？你做了哪些配置？比如从最顶层到下面做了哪些配置？5. 你是通过什么样的方式把这些IO传到你的环境里的？6. 那你config的具体用法是怎样的？（追问了具体语法和参数含义）7. 你的这个模块主要做了哪些？主要拆分了哪些功能测试点？8. 以outstanding为例，你是如何构造这个case去验证它的outstanding功能？9. 你配置了哪些参数？可以具体描述一下吗？10. 这个outstanding depth是在哪里配置的？11. 它的读写通道的outstanding是一起配置的还是单独配置的？12. 你怎么确定你配置的outstanding depth是有效的？通过波形怎么看？13. 一笔burst返回是通过什么信号去判断的？写数据通道1个burst的最后一个beat，wvalid和wready会握手成功，wlast会拉高，写burst结束是bvalid和bready握手成功，读burst结束是rvalid和rready握手成功并且rlast拉高。14. 描述一下你刚刚那个回答（关于判断outstanding depth）。15. 在这个协议中，我们有严格的要求valid和ready有个先后关系吗？16. 回到这个环境的本身，你的sequence中的数据是通过什么，就是和driver之间的一个握手的逻辑，能简单描述一下吗？