腾讯多模态算法二面-实习凉经

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目细节深挖2.除了caption数据,为什么还要做一些VQA、reasoning、summary数据呢?3.解释为什么VQA、conversation、reasoning数据可能会提升模型效果4.当时的消融实验是完全消融吗?具体怎么做的?5.你的关键帧是怎么做的?6.技术报告看过吗:glm-4.1V,qwen3-vl,mimo-vl,kimi-vl,seed-1.5-vl7.你有仔细去看现在主流的VLM是怎么去洗数据，或者是怎么构造整套pipeline吧8.假如说你参与到这个进程中，你怎么看待接下来的趋势，或者说你拿到一个STEM任务类型，你会怎么去做，你觉得现在技术报告里的缺点在哪里，你有什么想法吗?9.使用VLM-as-judge做整套的数据清洗pipeline，从合成、清洗、过滤、验证、合并，这块有了解吗

1. 自我介绍2. C++ 中的智能指针都有哪些，分别解决什么问题答案：常见的智能指针主要是 unique_ptr、shared_ptr、weak_ptr，另外还有早期遗留的 auto_ptr，但它已经被废弃。unique_ptr 表示独占所有权，同一时刻只有一个指针拥有对象，不能拷贝只能移动，开销小，最适合所有权明确的场景。shared_ptr 表示共享所有权，多个对象都可以持有同一资源，底层通常有引用计数和控制块，适合多个模块共同管理一个对象的场景。weak_ptr 不拥有对象，只是观察者，通常用来打破 shared_ptr 循环引用，或者在不延长对象生命周期的前提下探测对象是否还活着。工...

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

1. HTTPS 与 HTTP 的区别是什么？在生产环境如何权衡？核心区别： HTTP 明文传输，无机密性/完整性保证； HTTPS = HTTP + TLS，提供加密、完整性校验、身份认证。 工程上要点： TLS 握手有额外开销（CPU、RTT）； 通过 TLS1.3、会话复用、OCSP Stapling、硬件加速可显著优化； 现代互联网服务默认全站 HTTPS，安全收益远大于成本。2.TLS 1.2 vs TLS 1.3 的关键差异？0-RTT 有什么风险？TLS1.3 做了大量“减法与强化”： 删除不安全算法与协商； 1-RTT 完成握手（比 1.2 更快）； 前向安全默认更强。 0-R...