算法工程师

秋招进入中后期了，算法八股快背的差不多了，感觉需要系统整理下手撕没怎么复习到的地方，避免考到笔都动不了直接寄的情况。以下收集自各大厂面经/笔试解析，查漏补缺，列个todo list，欢迎各位大佬补充：ML/DL，基于numpy或者torch实现：线性回归、MLP（结构、前向传播、反向传播）Multi Head Attention绝对位置编码、RoPE交叉熵计算AUC计算BatchNorm，LayerNormk-means聚类IoU、非极大值抑制(偏视觉岗)数据结构与算法类：归并排序、堆排序KMP、Trie、字符串哈希RMQ、线段树（在线查询，修改区间最值、最大连续子段和等）Dijkstra（堆优化）、Kruskal最小生成树、拓扑排序（感觉图论考的少但是没复习过必寄）快速幂、逆元、组合计数取模、卡特兰数（小米笔试被挂过）牛顿迭代法解方程分组背包、混合背包、二维费用背包、背包输出具体方案、数位dp、状态压缩dp #秋招#  #算法工程师#  #算法岗#  #牛客创作赏金赛#

一切都从昨天下午原以为是KPI的一面开始，没想到直接开出意外惊喜一面：自我介绍，然后讲了刚投的一篇1区论文的工作，分析整体的框架、具体的技术细节，常见的反问点（为什么这么设计、为什么有效，相比于之前的工作，主要好在哪里、最核心的贡献是什么）面试官自称是NLP背景的，然后问了一些常见的视觉和多模态大模型的模型结构、损失函数设计、训练及推理过程等（面试官有可能是故意扮猪吃老虎哈哈）Coding：最接近的三数之和；共享屏幕本地IDE，秒了一个n^2logn的做法，让进一步优化，最优解是双指针；不过面试官觉得编码能力应该可以，实现很快，提示完直接让过了原本以为月底发一面是KPI，结果面试官问我后面还有没有时间，现场约二面，等面试官进会议二面：自我介绍，二面面试官非常重量级（进会议的title和面试的深度广度全都拉满了）首先很深入了聊了相当多关于MLLM的内容：介绍一些MLLM的现状，再选一个近期的多模态大模型，介绍相较于CLIP、LlaVA早期版本进行了哪些改进: Qwen技术点比较多，之前没系统整理过，说了自己还有点印象的Intern-VL2，不过上次看Intern-VL2的论文已经是三个月前了，大概只答上两点比较核心的。然后继续深挖目前多模态大模型在数据层面相较于之前的改进，这个没答上来之后被面试官深挖了LoRA，可以说LoRA的每一个细节的角落全都被挖的干干净净，还有不少开放性思考题，甚至比上次小鹏CV大模型一面面试官挖的还狠得多。不过上次被拷打之后就很系统地整理了LoRA的相关内容，勉强答得还行吧以后再不能当git clone侠了。然后面试官针对我的专业背景（统计），深挖了几个ML、DL相关的数学层面的问题，有让共享屏幕开白板写过程和推导（不是特别难，不过挺新颖的，秋招还是第一次面试被问到这种类型的问题）；紧接着针对我的Nature子刊工作中用到的Gaussian Graphical Model，讲了其与传统ML模型、神经网络和大模型的差异、区别和各自的优劣势。最后是一些相对开放性的问题：你是如何使用现代的LLM产品提高工作、学习和编码效率的？为什么这种方式有效果？LLM、LVM、MLLM未来发展的方向和前景大概是怎样的？整个二面的问题不止这些，太多了，又深又广，很多具体已经记不太清了，而且回答的过程中几乎都有进一步反问，深挖了很多东西二面面完，面试官也是直接当场联系三面面试官三面：自我介绍，三面面试官更是整个集团的技术大佬，NLP相关经验非常丰富，整场面试问的内容也偏NLP相关，我之前几乎0 NLP相关经验，汗流浃背了可以说，不过好在基础还行，凭自己的做CV和MLLM的积累，基本都答上了首先介绍了之前lab实习中做的LLM剪枝优化迁移的工作，然后深挖了相关的技术细节，不过刚聊完电脑音频直接罢工了，重新约到11.1下午11.1下午完整描述CLIP的原理、架构、工作过程、怎么对齐、怎么做image caption完整描述transformer输入一个文本序列如何做下一句预测的全过程，深挖了tokenize、位置编码、MHA、FFN、损失函数、输出转换各个部分接着从我项目经历中有关传统ML的经验出发，问了一些ML相关的八股，难度不大然后是偏主管面的一些内容：对工作环境的期望、自身性格优缺点等反问环节逮住大佬问了目前MLLM的相关业务和技术现状；最后是关于面试流程上的一些问题总体体验非常棒的三轮面试拷打深度广度强度高，但是也学到了非常多的东西，这也算是对自己能力的一种认可吧现在想想当初9月份面试难度远不及现在的团子、阿里、得物、理想，却被面挂了，可能还是简历不如现在优化的好，没能突出自己的优势，也没有勇气直接投更匹配自己的岗位吧（当初为了求保底，基本都投的机器学习、数据挖掘这种最“泛”的算法岗，或许应该早点鼓起勇气直接投自驾、MLLM和CV的）。今天看到牛u们团子开奖，各种sp、ssp，确实感觉羡慕+遗憾。最后许愿一个HR面吧 #秋招#  #算法工程师#  #牛客创作赏金赛#  #新浪#

Boss投的，第二天就约面试了。一面 3月14日 60min1、自我介绍2、学校做cv，为什么实习找nlp3、聊项目：  (1)预训练数据怎么构造的，sft数据格式。  (2)为什么预训练数据要加维基百科的语料库。       (3)预训练数据好像加在sft阶段也可以，为什么还要进行预训练。  (4)dpo在项目中主要想解决什么问题？grpo你想解决什么问题？5、算法题：最大子数组和隔天周六3月15晚上发感谢信了。感觉聊的还行，项目深度这块应该回答的让面试官不满意。#字节求职进展汇总#  #面经#  #算法工程师#  #大模型算法工程师#

个人背景：🔥985硕士，计算机专业，研究方向为机器学习/数据挖掘- 有推荐系统相关项目，Kaggle竞赛经历- 面试岗位：滴滴出行-算法工程师（机器学习/运筹优化方向）📝 面试全流程回顾1. 笔试（线上编程+数学）-算法题（2道，LeetCode中等偏上难度）- 动态规划：最长递增子序列变种（需优化到O(nlogn)）- 图论：Dijkstra算法实现+路径还原- 数学题（概率统计+线性代数）- 贝叶斯定理应用题（拼车场景下的概率计算）- 矩阵分解（SVD）的原理与优化意义2. 技术一面（1小时）- 代码能力- 手撕：实现带权随机抽样（Reservoir Sampling变种）- 代码优化：如何减少时间复杂度？- 机器学习基础- XGBoost vs LightGBM的差异？如何选择分裂点？- 如何解决推荐系统中的冷启动问题？- 业务场景题- 滴滴拼车订单匹配如何建模？（聚类+贪心算法的取舍）3. 技术二面（1.5小时）- 项目深挖- 详细介绍Kaggle竞赛方案（特征工程、模型融合技巧）- 追问：如果数据分布偏移（如疫情前后出行规律变化），如何调整模型？- 系统设计- 设计一个实时ETA（预估到达时间）系统：- 数据源（GPS/交通路况/历史数据）- 模型选型（时序模型+在线学习）- 异常情况处理（突发拥堵如何动态调整？）- 算法发散题- 如何用算法减少司机空驶率？（转化为图的最短路径问题）4. HR面（30分钟）- 团队协作经历、抗压能力举例- 期望薪资与工作地点偏好🌟 总体而言，滴滴面试强度还是可以的，问题问的很细，如果不会的话，同学们尽量委婉回答，引导面试官问出问题。滴滴待遇还是相当可以的，最后给大家一个内推链接，还有内推码。🚘投递方式【内推链接】https://app.mokahr.com/m/campus_apply/didiglobal/96064?recommendCode=DSW46Dg7&hash=%23%2Fjobs#/jobs【内推码】DSW46Dg7全流程跟进，投递的同学评论区留言，方便后续跟进，秋招加油！#滴滴# #应届# #实习# #算法工程师# #校招# #滴滴出行# #内推#     

📍面试公司：vivo👜面试岗位：nlp算法实习📖面试问题：1、自我介绍2、为什么只实习3个月3、cot怎么做的4、rag怎么做的5、deepseek了解吗，moe和grpo讲一下(没看，不会)6、代码题：返回子矩阵累加和 要求时间复杂度o(1) 。写不出来，哥们只会for循环7、学校研究方向8、反问🙌面试体验：部门是的vivo互联网方向，我也不清楚vivo互联网方向干嘛的，他说是做推荐算法的。寄了，表现太差，感谢信了。 #软件开发笔面经#  #面经#  #算法工程师#  #大模型算法工程师#

📍面试公司：网易有道👜面试岗位：ocr多模态实习📖面试问题：1、自我介绍2、多模态研究内容介绍，问了几个问题3、项目介绍4、目前实习的工作内容5、rag为什么要用embeding和rerank，是自己训练的吗6、多模态大模型了解吗？有哪些架构7、blip架构8、图像怎么和文本融合？哪种方式效果更好9、transform有哪些结构，没什么要多头注意力？10、代码题(抽了一道上次面网易一样的题目，我说上次写过，面试官说算你运气好，再写一遍，但是这道题我说java写输入输出有问题，他换了一道，写了二十多分钟，根本写不出来，早知道还不如不换的)11、反问🙌面试体验：面试官人非常棒，多模态这块我不是很了解，答不出来的也一直说没关系，还安慰我说上次挂你并不是你能力不行，只是岗位不太匹配，这句话也可能是暗示我这次也挂了哈哈。挂了也没啥遗憾，毕竟还有很大差距。这是我遇到过最好的面试官，聊天形式一样的面试确实让人舒服。面试官说多模态还是很火的，可以多学习这方面的内容。算法题必须要练了，稍微难点的就写不出来，太菜了。 #软件开发笔面经#  #算法工程师#  #面经#  #大模型算法工程师#

前言 大家好，我是鬼仔，前两天详细地整理了TP-LINK的面经汇总：你离TP-LINK的offer只差这个保姆式面经汇总！ 。今天保姆鬼仔又呕心沥血地整理了最近三年（2020年以来）华为的面经汇总，分了两个专场：技术岗位专场和非技术岗位专场，非技术岗位专场看这里：【鬼仔面经汇总系列】华为非技术岗专场：产品、运营、审计... 该贴是技术岗专场，技术岗位包括软开岗、测试岗、算法岗、芯片等硬件岗，根据时间倒序进行排列。希望同学们好好复习，准备面试，鬼仔给大家加油打气！ 该贴首发于鬼仔的公众号《码农鬼仔》，鬼仔还会持续更新该帖内容，有需要的同学强烈建议收藏！ ...

本来以为腾讯转正无望，没想到居然成了，真给leader和mentor磕一个而且组里的氛围和业务都符合我的预期，秋招有点想开摆了 #腾讯#  #转正# #晒一晒我的offer##算法工程师#

9.14线上一面，9.20线下二三面我主要做控制二面50min1、实习项目介绍，挺关注技术细节的。2、八股。C++相关。3、手撕。主管面30min1、实习项目与学校项目2、个人相关问题3、反问保密原则具体面试细节就不写了成功入池，化身华孝子🤣 #华为# #校招# #秋招# #25届# #华为求职进展汇总# #自动驾驶# #算法工程师# #牛客创作赏金赛#        

算法工程师岗8.31：投递简历9.20：一面9.26：二面10.9：HR面10.14：OC面经如下（主要聊项目，项目相关的就没写）：一面（50m）- 介绍一下transformer- 为什么要除以根号d？为什么是根号d？- 为什么用LN不用BN？- 知道哪些传统分类算法，挑一个讲讲（讲了决策树）- 决策树怎么解决过拟合问题？- 集成学习有哪些方式？分别讲一下是怎么做的？- boosting算法有哪些？- GBDT和XGBoost的区别- 手撕：力扣53. 最大子数组和二面（40m）- 手撕：给一个升序数组和降序数组，合并成一个降序数组- python的return和yield的区别- python有什么内置函数能反转list- 介绍一下AUC，并推导AUC计算公式- 训练集、验证集、测试集的作用HR面（25m）- 当时为什么要选择考研- 选择工作最看重的因素- 期望薪资- 挑一段自己最满意的项目经历简单讲一下- 觉得自己有什么优势和不足#算法工程师##小鹏汽车##晒一晒我的offer#