字节多模态一面折磨经

全程不问基础知识，不问简历，开放性问题探讨，总时长1.5h。
问：看你做的是vqa，那么请你发散性说一下如果针对一个视频怎么做vqa
答：抽帧采样，时间序列拼接token...
问：视频，语音，文本怎么多模态融合
答：cross attention
问：不用attention实现融合
答：3D卷积
问：transformer里不用attention实现融合
答：misture of experts
问：视频前后帧怎么融合
bulabulabula，每一个方案都要从输入开始描述每一步处理过程，他会一点点给你提这个方案现有的问题，如何解决，就算答不会了面试官也会继续说他的观点让你补充，后面基本全程懵逼，智商被碾压。
最后给了一道hard结束。
面试官态度很好，但是过程很折磨，是智商被碾压的折磨。面完感觉像参加了圆桌会议。虽然没挂但是已经不想继续面了，诚心感觉水平配不上#字节实习生##字节算法实习##多模态##暑期实习##算法面经#