博世面试

面试官一直问的AI方面的，比如mcp，agent，rag，spec coding, vibe coding还有agent的一些工作模式例如React,cot等等. 面试前还发了个AI coding 让我做一个造数工具，我以为没用就随便让AI生成了一下，结果面试一直问我vibe coding的思路。。。。

1. emplace_back 和 push_back 之间的区别是什么？push_back 接受一个已经构造好的对象。如果传入的是构造函数的参数，它会先调用构造函数生成一个临时对象，然后再通过拷贝构造或移动构造将该对象放入容器，最后销毁临时对象。emplace_back 利用 C++11 的完美转发（Perfect Forwarding）和可变参数模板，直接在容器的底层内存空间中原地构造对象，省去了创建和销毁临时对象的步骤。2. emplace_back 是否比 push_back 更高效？不一定总是更高效。当传入的是构造函数的参数时，emplace_back 省去了临时对象的拷贝/移动，确...

楼主菜比一个，球球大佬们给点建议，楼主之前是搞传统视觉的，找实习发现传统视觉已死，打算秋招前转到多模态去。腾讯：IEG技术中台，天美下面的，岗位是测试开发，进去后应该是辅助VLM相关测试工具视觉算法的开发华为：终端BG云服务，一个搜广推相关项目组的，进去也是辅助做视觉方面的工作。现在只有这两个选择，其他多家不是在泡池子就是简历挂。。。。

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