观见智联-算法实习生（视频大模型）面经

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