1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

求大佬们拷打简历，投了好多简历了，基本上都没面

最近影石秋招真的让我情绪反复横跳。原本已经决定放弃这家公司，但随着薪资不断上调，又让我重新燃起了冲一把的想法。整个面试过程下来，最大的感受就是——面试强度很高，几乎是全方位拷打，从项目细节到底层原理，没有任何水分。一面主要围绕项目深挖和工程能力展开，尤其是嵌入式系统、通信协议以及AI推理优化，细节问得非常深入，比如传感器数据处理、I2C/SPI底层机制，以及模型推理和性能优化等内容，基本每个点都能继续往下追问。二面则更偏向基础和底层能力考察，包括C/C++语言本身、数据结构、内存模型，以及一些算法思路，同时也会结合项目继续深入，比如推理框架优化、SIMD加速等，整体更考察理解深度而不是表面知识...