得物图像算法

时长：1h 面试：1. 自我介绍，介绍简历里面没有的东西2. 本科期间的经历，包括实习和科研3. 聊同花顺软件使用4. 一些个人情况5. offer到岗时间6. 介绍公司周围情况

一面（约60分钟）面试从两道SQL题开始，难度适中但很考基础：1. 计算指定日期登录用户的上次登录间隔天数；2. 对商品按销售额排序并分档（如前10%为第一档）。随后是简历深挖，延伸问到不少实习中没细想的问题，有一定挑战性。二面（约45分钟）这一轮更侧重逻辑与业务理解：继续深挖项目，关注难点、卡点和最复杂的部分；再完成两道SQL题：统计连续登录3天以上的用户数 + 计算每用户近30天登录间隔平均值；还有一道费米估算题：“估算一个城市每天卖出的咖啡数量”；最后问了一个开放题：“你认为电商平台最应关注哪些指标？”三面（约30分钟）这一轮更偏向软素质与职业匹配度：从自我介绍开始，重点考察对实习业务的理解，希望我能跳出执行者视角，思考业务逻辑；问到跨团队沟通出现问题时如何应对；也坦诚交流了工作强度、地域适应性与生活节奏变化等问题。整体感受遇到的面试官都很耐心专业，不会的问题也会逐步引导，整体体验很好。如果也在准备类似面试的同学，建议重点准备SQL连续类题目、业务场景题和项目深度思考。

●携程机票BU的收入主要来自哪里？○佣金○保险（延误险等等）○值机选座等等副营项目●指标异动：如果收入下降了5%怎么分析●AB实验：如果发现是研发上线了新的算法，导致页面加载时长变化。AB实验流程？○问实验不显著的时候，如何减少方差。CUPED●用户客服进线率：用户为什么进线？○退改机票○不了解转机行李该不该取出来，如何选座等等●我们希望给用户推送售后相关信息减少进线率，怎么用模型来预测谁会进线？用什么模型？怎么做特征工程？

1.实习介绍2. Lora 原理(核心是低秩分解:将原始权重更新近似为两个低秩矩阵乘积，减少参数量，保留主导方向，训练高效)3.了解 DeepSpeed 吗，ZeRO -1, ZeRO -2和 ZeRO3分别做了哪些优化(1优化优化器状态，2优化梯度，3切分参数，全面节省显存)4. Qwen的模型结构是怎么样的，相比于 LLaMA,DeepSeek 有什么区别(Qwen采用GQA+SwiGLU+RMSNorm，和LLaMA架构非常相似，差异在训练数据和tokenizer中文支持更好;DeepSeek只用MoE/MLA架构，Qwen系列主要是Dense模型)5.怎么缓解大模型的幻觉问题(RAG，RLHF对齐，事实监督)6.大模型的 MoE 结构相比于 Dense 结构训练的难点在什么地方，DeepSeekMoE为什么效果好，有什么值得我们借鉴创新点(MoE面临负载不均衡、训练不稳定问题;DeepSeekMoE通过细粒度专家和共享专家设计提升稳定性和效果)7.知道FP16和BF16有什么区别吗，包括FP32和INT8这些，在训练大模型的时候，应该怎么选择(FP16精度高但易溢出，BF16动态范围大;训练常用BF16混合精度，推理用INT8量化加速)8.讲-下 RLHF 的流程，写-下 PPO和 DPO的 Loss表达式(训练奖励模型后用PPO/DPO优化策略:PPO Loss: policy ratio + KL 约束/ DPO Loss: logit preference diff + sigmoid binary loss)9.对于超长上下文业界一般是怎么做的，你知道 Qwen是怎么做的吗(业界常用ROPE 变体/滑动窗口注意力/稀疏注意力等:Qwen使用YaRN和窗口注意力扩展上下文)10.开放题:你觉得目前大模型的上限在哪里(推理能力、长期记忆、具身交互和能耗效率，需要架构创新和多模态融合突破)11.代码:152.乘积最大子数组