1.多模态学习中常见的融合方式有哪些？早期融合 vs 晚期融合 vs 中间融合的区别和适用场景？2.CLIP 模型的原理是什么？它是如何实现图文对齐的？损失函数怎么设计的？3.Vision Transformer (ViT) 和 CNN 在图像特征提取上的优劣对比？4.什么是对比学习（Contrastive Learning）？InfoNCE loss 的公式和作用？5.大模型训练中常用的优化器有哪些？AdamW 和 Adam 的区别是什么？6. 请详细介绍你简历中提到的多模态项目：输入是什么？模型结构？如何对齐不同模态？7. 项目中遇到的最大挑战是什么？你是如何解决模态异构性问题的？ 8. 有没有做过消融实验？哪些模块对最终性能提升最关键？9. 如果让你将该项目部署上线，你会考虑哪些工程优化点？你的模型在训练集上表现很好，但在新场景（如不同光照/语言风格）下性能下降明显，你会如何提升泛化能力？10. 【LeetCode 300】最长递增子序列（Longest Increasing Subsequence）——要求写出 O(n log n) 解法。

1. Transformer现有架构在什么情况下，哪个模块会导致用户意图判别不准？2. Transformer中的Q、K、V分别来自哪里？代表什么？3. MOE（混合专家模型）和传统Transformer的核心区别是什么？4. GRPO 和 SFT 的数据量分别是多少？5. 项目中数据输入是整段视频，还是拆分使用OCR、ASR分别处理？6. 力扣岛屿题第10题中，DFS/BFS里计数函数的两个循环分别起到什么作用？7.上下文场景中，单Agent和多Agent各自的优劣势是什么？8. 什么情况下选择单Agent，什么情况下选择多Agent？9.向量向量化后，距离计算的方法有哪些？

攒人品中，有面试过同岗的朋友欢迎评论区交流1.llava1.6的改进2.qwen23vl的改进3.手撕MHA4.DPO与PPO的区别5.GRPO如何计算相对R6.GRPO为什么要对重要性ratio进行clip7.为什么要除以根号Dk8.为什么注意力操作是qkv三个向量9.一般通过什么方式进行知识的学习10.看过什么技术报告

1，介绍RAG流程，分段有没有做优化；编码模型和重排模型用了什么；Qwen3系列和bge系列的原理，Qwen3系列编码模型是怎么训练的2，RAG怎么评估，用了哪些指标；RAGAS有哪些指标，为什么不直接用库3，Agent的思想是什么，Agent包含哪些部分；介绍DeepResearch；介绍Agent怎么做任务规划和问题分解4，SFT数据集怎么构建，问题不够多样化怎么解决5，介绍LoRA原理；LoRA分支怎么初始化，为什么这么做6，self-attention公式；为什么要scaling7，介绍KV Cache；vllm是怎么加速推理8，RLHF，介绍PPO，包含多少个模型；GRPO与PPO的区别；GRPO的缺点；介绍GSPO