快手实习 多模态算法一面分享（好难啊

1️⃣一面 1. Transformer、CLIP原理，图文对齐层工作机制2. CLIP衍生进阶模型；检索场景模型适配改造思路3. Transformer各类Decoder结构4. 大模型通用预训练流程；电商垂域预训练必要性及原因5. GRPO公式推导；PPO四大组成模型手撕：多头注意力MHA代码2️⃣二面1. LoRA落地场景、常用超参配置2. 长文本模型结构优化；Qwen3-VL RoPE、MRoPE原理，其他位置编码方案3. 长文本训练各类优化Trick4. 多模态图像Token冗余过多解决方案；图像Token长度限制实现方式5. BF16与FP32精度差异、训练选型；训练推理精度一致性问题手撕：反转链表3️⃣三面1. 多模态Embedding设计经验、图文对齐方案与主流对齐方式2. Embedding模型与Reranker差异，二者训练Loss区别📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

5.16 三面结束 我看粉丝投稿的4.21 一面的 二面过完5.11. 自我介绍2. 怎么理解深度学习损失函数中的最大似然估计 MLE？答案：最大似然估计的目标是找到一组模型参数，让观测到的数据在当前模型下出现的概率最大。深度学习里的分类任务通常把模型输出看成条件概率分布 p(y|x; θ)，训练时希望真实类别的概率越大越好。实际优化时通常不会直接最大化似然，而是最大化对数似然，或者等价地最小化负对数似然。交叉熵损失本质上就是负对数似然。比如多分类中，真实标签是第 y 类，模型对这一类预测概率是 p_y，loss 就是 -log(p_y)。预测越自信且正确，loss 越小；预测越错，loss ...

做政务系统的小厂1.自我介绍2.介绍一下你的智能体项目3.一个智能体分成几个部分，他的结构是什么4.你在这个项目中知识库文档是怎么做切分的，文档大小大概是多少5.你在项目中怎么设计AI思维链的6.你用的什么框架，langchain开发的7.langchain框架8.问一个sql问题，leftjoin和innerjoin有什么区别9.在你的项目中，rag是怎么做的，用到那些方法10.检索方法是什么，只用到向量检索吗，还是也用到了其他检索方法11.对上下文是怎么处理的12.怎么用Python进行爬取，会哪些反爬13.你在做文档切分的过程中，是怎么处理段落问题和长文本的因为是线下面试，问了好多，记不住了，面了一个小时，强度好高

1. 挑选个人复杂度最高、难点最突出的项目完整讲解，重点说明项目核心痛点、落地难点、技术瓶颈与最终落地解决方案。2. 结合项目场景，说明Agent任务目标拆解逻辑，以及PPO算法完整训练指标、效果评估标准。3. 阐述RLHF对齐偏好定义逻辑，大模型对话优劣好坏的标注标准与偏好数据集构建逻辑。4. 详细讲解奖励模型RM、Critic网络结构设计思路，组件有效性验证方式、调优优化策略，以及整体对话效果量化评估方案。5. 对比选型SFT、DPO、PPO、GRPO、RAG多条技术路线，说明为何选用强化学习做Agent对齐优化，完整输出各方案评估维度、适配场景与选型依据。6. DPO全流程效果评估方式，结合实际业务案例说明DPO固有短板，对比DPO与GRPO原理差异、优劣特点与落地适用场景。7. 从算法原理角度，讲解GRPO具备更强探索能力、稳定训练的核心原因。8. 阐述个人参与RAG相关项目初衷，梳理RAG系统整体架构与核心工作内容。9. 对比语义切分、固定长度切分、递归语义切分优劣，说明递归切分选型原因，以及不规则、非结构化文档专属预处理方案。10. 梳理向量数据库选型核心考量维度，结合线上高并发、低延迟生产环境，说明落地选型策略。11. 说明关键词检索+向量检索混合检索设计原因，介绍召回率、准确率等检索效果客观量化评价指标。12. 针对检索召回不足、匹配精度偏低、上下文关联性差等问题，逐条梳理全链路优化手段。13. 讲解用户意图模糊、指代不清、需求不明确类问题的意图识别与澄清处理方案。14. 讲解重排序模型选型、技术实现、解决的检索冗余错乱问题，所用开源/商用工具库，以及不同重排模型横向对比实验结论。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。