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