1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

是简历有问题吗

📍面试公司：阿里国际🕐面试时间：26.4.9-45分钟💻面试岗位：AI应用开发❓面试问题：非简历上的补充介绍构建向量与关键词混合检索的背景、具体实现逻辑，以及为何选择ES作为统一存储引擎而非独立向量数据库，以及ES如何存储向量化文本和文本的？向量与关键词检索的结果怎么处理的？针对混合检索效果的评估，你采用了哪些指标？当前评测方法存在什么局限性？后续计划如何构建更贴合水利业务的评估体系？在多格式文档解析环节，为何选用Apache Tika而非直接调用大模型进行解析与分块？这种选型背后考虑了哪些工程约束？介绍Redis Bitmap管理文件分片状态的作用。了解过业界的上下文记忆和多轮对话吗？...