【25秋招】拼多多

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1）做过的最有影响力的一件事是什么？具体推动了什么变化？2）训练不稳定怎么排查3) Long Context 常见思路有哪些？在业务里如何做"能看长文本但不太贵"的折中?4）如何做一套简单可执行的离线评测集？如何覆盖不同语言与类目？5）多模态场景怎么评估：如何检查"图文一致性／不编造信息"？优先加哪些自动化检查？6) Prompt ／模板如何管理：如何版本化、如何回滚、如何避免一次改动导致整体波动？7) 手撕：实现一个最简单的 top - k 采样，并说明边界情况怎么处理。

下面给大家介绍几个面试常用的小技巧。1.转移火力：遇到不会的问题尝试转移一下方向，往会的方向去转移。举个例子：在测试的面试过程中可能会问你接口自动化，但是你可能还没学你目前只学了UI自动化，那么你面试的过程就可以说接口自动化还没学，但是我对UI自动化比较熟悉。2.表现求知欲：遇到不会的问题可以尝试反问一下，表现的你很想要知道答案，因为面试官在筛选候选人，候选人的求知欲以及发现问题的能力也很重要，技术可以学，态度不好改。3.深耕一个点：很多同学都会遇到一种情况那就是我面试都回答出来了，算法也写出来了但是为什么挂了，原因就是你可能每个问题都回答的平平无奇，没有一个两点能抓住面试官 。举个例子：面试...

【一面】 1）介绍一个最能代表自己的项目2）项目里负责的边界是什么？哪些内容是亲手实现／验证的？3）电商领域预训练数据：低质过滤与去重会怎么做？用哪些简单指标快速判断数据质量？4) Pretrain 和 SFT 分别解决什么问题？5) Transformer 的基本结构怎么理解？6）多模态模型的大致结构是什么（图像编码器+连接层+ LLM )？最容易踩坑的点通常在哪里？7) SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？8）对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？【二面】1）做过的最有影响力的一件事是什么？具体推动了什么变化？2）训练不稳定怎么排查（ loss NaN 、 OOM 、吞吐下降）3) Long Context 常见思路有哪些？在业务里如何做"能看长文本但不太贵"的折中（摘要／分段／滑窗等）?4）如何做一套简单可执行的离线评测集？如何覆盖不同语言与类目？5）多模态场景怎么评估：如何检查"图文一致性／不编造信息"？优先加哪些自动化检查？6) Prompt ／模板如何管理：如何版本化、如何回滚、如何避免一次改动导致整体波动？7) 手撕：实现一个最简单的 top - k 采样（给定 logits ／概率，取 top - k 后重新归一化采样），并说明边界情况怎么处理。📳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。

其他厂也都ssp，给的很高