1.Transformer的多头注意力的作用：从GCN的角度就是探索更多的权重矩阵。原文的解释是MultiHead-Attention 提供了多个“表示子空间”，可以使模型在不同位置上关注来自不同“表示子空间”的信息。 即通过MultiHead，模型可以捕捉到更加丰富的特征信息。这里的多个表示子空间其实就是GCN里的多个权重矩阵。2.无序数组的中位数：这道题应该算是本科算法课的入门题了，找中位数和找任意第k个数是一样的方法。方法一：快排一次后，检查k落在哪个区域，然后对那个区域再进行一次快排。如此反复，可得答案。方法二：同样使用快排，但是对基准数不再随机，而是尽可能找出让两段区域长度相等的划分。（把原来的数组分成五份，然后找中位数，然后再在这些中位数里找出中位数作为基准）（记得笔试完了看答案）3.一个元素在一个有序数组的第一次出现位置？简单点就是遍历一遍，快一点就是二分搜索。不过这道题要手写，二分的细节会多一点，不知道原答主选择哪一种解法。PS：find函数应该不让用的吧。4.blip2的架构，优势和之前多模态模型的区别？blip2是图像-语言多模态模型的预训练方法。这个架构是2023年才提出的，也看出来面试紧跟时事了。blip2的一个常见模式是输入一张图片，输出这张图片的描述。bilp2是在冻结的图像模型（负责从图像中提取特征，比如vit）和冻结的语言模型（负责生成语言）中间放入一个Q-Former，我们的目标就是训练这个Q-Former。Q-Former包含图像Transformer和语言Transformer，图像Transformer包含CA和SA，SA和语言Transformer共享参数，CA只接受图像模型提取的图像特征，图像模型的输入是一个查询值，这个查询值将在SA中和自己交互，在CA中和图像特征交互。最后图像Transformer输出一个综合图像特征的向量，同时语言Transformer输入一个文本，进行encode，得到一个文本的向量。然后根据具体的任务选择不同的方式对这两个向量进行操作。最后，Q-former把得到的向量传给冻结的语言模型。语言Transformer训练的时候做解码器，预测的时候是解码器。训练的时候先训练Q-Former和图像模型的交互，然后把Q-Former的结果和语言模型连接（中间可以加入全连接，前缀词等操作）。如下图5.知识蒸馏和无监督样本训练？知识蒸馏是利用大模型把一个大模型的知识压缩到一个小模型上。具体来说你在一个训练集上得到了一个非常好的较大的模型，然后你把这个模型冻结，作为Teacher模型也叫监督模型，然后你再造一个较小参数的模型叫做Student模型，我们的目标就是利用冻结的Teacher模型去训练Student模型。A.离线蒸馏：Student在训练集上的loss和与Teacher模型的loss作为总的loss，一起优化。B.半监督蒸馏：向Teacher模型输入一些input得到标签，然后把input和标签传给Student模型还有个自监督蒸馏，直接不要Teacher模型，在最后几轮epoch，把前面训练好的模型作为Teacher进行监督。目前知识蒸馏的一个常见应用就是对齐ChatGPT。然后这个无监督样本训练，我看不懂意思。如果是传统的无监督学习，那就是聚类，主成分分析等操作。如果是指知识蒸馏的话，就是离线蒸馏的方式，只不过损失只有和Teacher的loss。6.在电商领域微调？额，这个问题我也不知道，比较没有工程经验。简单一点的话就是提示词微调，复杂一点的话就是搞个数据集然后再进行微调。收集一些客服聊天记录，营销广告，好评，差评等数据作为训练集。具体微调方法就看训练集大小，原模型大小来选择了。以上。最后更正一下，原答主是中科大本科，不是硕士，在此做出更正。