字节一面

AI大模型算法，一环扣一环的拷打
Transformer 基础
详细介绍 Transformer 架构（Encoder-Decoder 结构、位置编码、FFN 等）
Decoder 的因果注意力中，Q、K、V 分别来自哪里？
→ Q 来自当前 Decoder 输入（已生成的 token 序列），K 和 V 也来自同一序列（需 mask 未来信息）
Attention 为什么要 scaled？不做会怎样？为什么是√dₖ？
→ 点积随 dₖ增大会让 softmax 进入饱和区，导致梯度消失；除以√dₖ可使方差稳定在 1（数学推导参考 Vaswani 论文）
Transformer 如何加速推理？KV Cache 是什么？训练 vs 推理的并行性差异？
→ 训练时所有 token 并行计算；推理时自回归，KV Cache 可缓存历史 K/V，避免重复计算，大幅提速

多模态论文深挖（以 Video-LLaMA 为例）
讲解 Video-LLaMA 的整体结构
→ 视频编码器（如 ViT + Temporal Aggregator）→ 投影层（对齐文本空间）→ LLaMA 语言模型
论文中 CoT（Chain-of-Thought）的具体设计？
→ 在 prompt 中加入推理步骤示例（如 “视频中先看到人挥手，然后狗跑过来…”），引导模型分步作答

微调 & 分布式训练
微调用了 LoRA，介绍其原理
→ 将权重更新 ΔW 分解为低秩矩阵 A×B，冻结原模型，只训练 A、B，大幅减少可训练参数
LoRA 初始化怎么做？秩（rank）设为多少？为什么选这个值？
→ A ~ N (0, σ²)，B 初始化为 0；常用 rank=8 或 16，在效果和参数量间取得平衡（实验验证）
知道 DeepSpeed 和 Megatron 吗？分别说说
→ DeepSpeed（微软）：主打 ZeRO 显存优化；Megatron-LM（NVIDIA）：张量并行 + 流水线并行
论文用 DeepSpeed，三个 Stage（ZeRO-1/2/3）分别是什么？
→ Stage1：优化器状态分片；Stage2：+ 梯度分片；Stage3：+ 模型参数分片（通信换显存）

二面下一篇再写吧，力竭了 #面试官最爱问的 AI 问题是......#