蚂蚁金服算法一面 凉凉

1.先做自我介绍，挑重点项目着重说明。2.项目有具体的应用场景吗？3.视频大模型是不是提取视频中的核心信息？它一般能用在哪里？4.你想做推荐相关、大模型相关，还是推荐和大模型相结合的工作？5.你了解推荐系统吗？6.你了解机器学习和深度学习吗？7.大模型在推荐系统中一般有哪些应用或应用方向？8.大模型怎么缓解或解决推荐系统的冷启动问题？9.你了解大模型推荐的微调这个概念吗？10.微调怎么定义？它一般是针对什么模型进行的？11.推荐场景或垂域场景中，需要微调的核心原因是什么？12.Transformer 的原理能大概说一下吗？13.基于 Transformer 大模型，怎么处理用户的长行为序列？14.Transformer 注意力机制的复杂度是多少？怎么计算？15.长行为序列直接计算会有什么问题？16.稀疏注意力的具体原理是什么？17.推荐系统中怎么设计负样本？你了解随机负样本、语义负样本这些概念吗？18.大模型怎么解决用户兴趣漂移的问题？19.除了折扣因子，解决用户兴趣漂移还有其他方案吗？通过微调的方式可行吗？20.传统神经网络中，梯度消失是什么现象？怎么产生的？21.梯度消失怎么解决？22.你了解哪些激活函数？23.BN（Batch Normalization）是什么意思？24.手撕：无重复字符的最长子串

1．首先是自我介绍和过项目，面试官还一起探讨项目用到的方法，可行性之类的2．介绍一下 CLIP3．了解 LoRA 吗， LoRA 微调的原理是什么4．了解哪些多模态大模型，简要介绍几个5.BLIP的三个损失函数分别是什么，数据是怎样清洗的6.BLIP2相对于 BLIP 有哪些改进，BLIP3又有哪些改进7.Qwen- VL 的三个训练流程分别是什么，有什么作用8．视觉编码器和 LLM 连接时，使用BLIP2中 Q - Former 那种复杂的 Adaptor 好还是 LLaVA 中简单的 MLP 好，说说各自的优缺点9．代码：实现多头自注意力一面比较常规，几乎都是八股问题，只要了解常见的多模态大模型都问题不大，主要还是要理解各个模型设计的动机是什么，这也是面试最喜欢考察的

1.八股：XGBoost 如何计算特征重要性？Gini 系数在树模型中代表什么？它和信息增益的区别在哪？2.八股：Decoder-only 模型在推理时，预测第 i+1 个 token 时，输入用的是第 i 个 token 的 one-hot 还是概率分布？为什么？3.八股：KV Cache 的空间复杂度是多少？如何估算一个 7B 模型在 batch=1、seq_len=2048 下的显存占用？4.八股：AdamW 和 Adam 的核心区别是什么？Adam 相比 SGD 引入了哪些优化机制？Adam 全称是什么？5.项目：你们验证集的类别分布是否和线上一致？如何保证标注数据的高质量（比如通过交叉校验 or 专家审核）？6.项目：在当前 RAG 架构下，如果引入 Few-shot Prompting，为什么能提升输出质量？和微调相比各自适用场景是什么？7.项目：FAISS 是如何加速向量检索的？你用的是 IVF 还是 HNSW？索引构建时 nlist/nprobe 怎么调？8.手撕：最长回文子串（LeetCode 5）

基础考察 1. 手撕：二叉树层序遍历+按层打印（要求输出二维数组）2. Transformer和RNN在对话任务中的本质区别？为什么现在大模型都用Transformer3. 多轮对话中如何防止上下文遗忘？除了窗口截断还有其他方案吗4. 工具调用中如何设计参数校验？遇到用户说"随便来家店"怎么处理项目深挖1. 你简历里写的订餐助手，具体怎么理解用户说的"附近好吃的"？2. 多工具调度时如果餐厅查询失败，降级方案是什么？3. 如何判断用户是想点外卖还是到店消费？准确率有多少？4. 订单状态跟踪模块是怎么做的？更新延迟怎么解决？场景设计"现在要设计一个咖啡订购Agent需要处理门店查询、优惠计算、订单创建三个工具但是用户经常同时要查多家店对比请设计完整的调用链路和异常处理方案