百度多模态算法一面

现在有两个地方看起来比较合适，一个是去做业务场景落地，比如大模型应用到业务上，微调，agent这些；一个是去做基础技术，比如大模型 KV cache 等等优化，针对多模态场景的 KV cache 等等。两个平台都不错，图片上就是第二个。我的情况是，博士读书期间主要做科研，写论文，做的是多模态算法，改改网络结构，发发论文这些。感觉很多师兄师姐都是去做业务场景落地，不过工作可能也比较偏数据处理，业务调优等等。好处就是这个岗位需求大，跳槽也容易。坏处就是卷。。。基础技术研发感觉比较偏底层，做 kv 复用，kv检索等等，里面研究员，博士比较多。这个岗位好处是技术比较深，坏处可能需求量少，做模型基础平台技术不需要太多人请问大家这两个应该怎么选呢 #计算机# #深度学习与神经网络# #多模态# #大模型#  #大模型推理# #offer帮选#

背景：10.12 在官网投递 Java后端开发岗期间几天时间，流程一直在简历筛选状态10.17 电话约面 得知简历进了共享池（筛选没过），被另一个部门捞起来了感动！10.18 线上面试（70mins）：1. 自我介绍2. 聊之前的实习经历 15mins这个暑假有一段3个月的中厂实习项目职责产出与收获3. 拷打项目 25mins介绍一下这个框架解决了什么问题（第一个项目写的 RPC 轮子）项目中 SPI 机制是怎么实现的为什么要自定义 RPC 协议，怎么解决粘包半包问题说一下 Etcd 在项目中的使用讲下一致性 hash 的实现怎么保证框架的稳定性和可用性4...

#快手校招# 还得是老铁，不枉我看了那么多虎哥和刀哥。让我一个智驾牛马也能蹭上互联网了。祝愿其他牛U也都收offer。一二面代码题：用最少的箭射穿气球（对区间的第二个端点排序）。用篮子摘树上的水果（简单滑窗）八股：Transformer结构，为什么用LN，LN和BN区别开放性问题：对于我的某个目标检测项目，如果想要拓展一个产品功能，提升泛化性，还要做什么工作才能提升？对生成模型了解吗（VAE，diffusion简单说两句优缺点即可，我其实也不懂细节）和我项目有关的：SAM，CLIP的特殊创新优点，YOLO系列讲两句，DETR系列#快手##多模态##风控##自动驾驶#

background纯后端厌倦了，一句话形容，又事多又无聊又着迷LLM，想转main-content主旨就是狠狠拷打，有点压力的意思先是对项目的真实性表示质疑，我这边给了一些具体的信息又怀疑项目达到的性能，三方面进行拷打：PE，LoRA，RAGLoRA主要说了概念，具体怎么用，用在哪些层，为什么有效，成本控制RAG主要说了知识库建立，也是老生常谈的语义分割和上下文长记忆问题PE就是列举了几个case，就是CoT，角色扮演，多次迭代最后做了一道算法 dfs秒了summary一定要对基础知识掌握扎实，活学活用，比如问LoRA和Adapter，Knowledge distillation的异同RAG...