百度提前批二面面经

看到网上好像没有这个部门面经，凭借记忆分享下前天约面，直到要面了才告诉我忘记给我发链接，搞得我以为电话面呢上来先写题，找到数组长度为k的最大子数组和，我没仔细看以为是hot100的动规哈哈，秒了面试官说不懂我做的跨模态检索和一些chatbot的，所以我就一直自己自说问clip模型介绍下，image text pair数据来源说一下数据清洗经验说一下论文怎么做sft的实习项目有没有试过dpo，没有你觉得如果用dpo的价值怎么样，如果考虑到safety？我觉得数据和计算成本过高，safety可以用规则过滤反问，部门，结果什么时候出，答要等到领导有时间面，也都答上来了，以为自己答的还行结束秒挂，麻了，gta吧

🕒 岗位/面试时间数据平台部，45min👥 面试题目很年轻很帅的面试官，看着比我还年轻，哈哈哈1. 关心pdd实习和学校项目2. 用的模型尺寸，怎么sft3. dpo，取得多大收益，dpo有什么问题4. 还看过什么rlhf算法整体几乎没什么拷打，都是点到为止，没有机械性问八股，都是伴随项目简单说说，很友好手撕: 括号匹配but，最后问了能不能提前实习，现在都这个要求吗，字节也问能不能提前实习约二面了

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#

问题有些怪，基本没怎么问算法相关技术问题，就硬质疑。没出手撕题，体验有些差，可能kpi1.有什么offer了，有了x的offer不考虑留下么2.祖籍哪里，意向部门为什么填的视频号，我们可不是视频号哦（尴）3.最熟悉什么语言，python脚本性能问题怎么解决，怎么优化（感觉太宽泛了）4.熟悉哪些容器哪些数据结构，问字典集合底层实现（面的是算法吗）5.讲实习项目，问一些数据，问认为模型学到了什么信息，然后质疑下业务指标提升的结果，就这个解释半天6.问实习team的规模，组成，和开发怎么对接7.问认为自己有没有自驱力8.关于推荐看的新的论文，讲了一个，不是大模型不满意，问我了不了解大模型在推荐里的应用。我说可能现在都还在尝试，不太成熟，讲了个比较简单的做embedding9.反问:反问了下对面的业务以及有没有大模型的应用，他说有很多啊，很多公司都在用，并且有一定的效果，不像你说的不太成熟，只是说可能没有好的paper（难绷，像羞辱了）over，体验较差，感觉不会有后续了10.28:挂了，体验问卷狠狠差评 #面经# #推荐算法面经# #推荐算法# #算法# #腾讯#