快手大模型算法校招一面 攒人品中

1. 实习介绍2. 常见的大模型，或者说VLM这块的模型，了解过哪些？3. Qwen 2.5 VL相对Qwen 2 VL做了哪些改进？4. 追问道了M-RoPE比原来的RoPE有什么改进？有什么优点？5. 原来的RoPE在升级成M-RoPE之前，它是怎么处理视频的？具体来说，对于每一个每一帧或者说每一个patch，是怎么处理的？6. 然后聊项目深挖项目可能会问七八个题目7. 算法题：lc70 爬楼梯（送分，3分钟写出滚动数组优化）8. 反问

岗位名称：大语言模型算法面试时长：1h–1.5h自评分：8/10是否下一轮：是模型架构与基础原理目前主流大语言模型在架构设计上有哪些异同点？（追问）Decoder-only 和 Encoder-Decoder 在实际应用场景上有什么区别？介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？（追问）如果减少头数会发生什么？是否一定性能下降？什么是大语言模型的涌现能力？目前对该现象的研究有哪些发现？（追问）涌现能力是否和模型规模线性相关？什么是 Embedding？词嵌入和句嵌入有何不同？（追问）Embedding 层是否会参与微调？为什么？大语言模型中的 Tokenization 是如...

除了Java，当下最值得投入的技术方向绝对是大模型相关技术——它不仅是AI时代的核心风口，更能与Java后端开发形成强大互补，让你的技术栈从“单一开发能力”升级为“智能应用落地能力”。对Java程序员而言，大模型技术并非遥不可及的“纯算法领域”，反而有大量贴合后端场景的落地路径：比如学习大模型API调用与二次开发，用Java对接GPT、文心一言等模型，快速实现智能客服、文本摘要、代码生成等功能，让传统后端系统具备“智能交互”能力；再比如深耕大模型应用开发框架（如LangChain、LlamaIndex），结合Java的高并发、高可用优势，搭建企业级RAG（检索增强生成）系统，解决知识库问答、文档分析等实际业务需求；若想进一步深入，还能学习大模型部署与优化技术，比如用Java+Docker实现模型容器化部署，通过量化、蒸馏等手段提升模型运行效率，适配后端系统的性能要求。如今，从互联网大厂到传统企业，都在推进“大模型+业务”的转型，掌握大模型相关技术，不仅能让你在Java开发岗位中更具竞争力（比如参与智能办公系统、智能风控平台等新兴项目），还能打开“AI应用工程师”“大模型开发工程师”等高薪岗位的大门，成为横跨后端开发与AI落地的复合型人才，在技术迭代浪潮中牢牢站稳脚跟。

腾讯的提前批大概率应该是没有笔试的，但是这个时候有相当部分的同学简历估计都没有准备好，没准备好的同学也不用急，大部分都是3月之后开，这个时候开的绝大多数都是神仙打架，问的东西也比较难，打算投递的同学也多看下计算机网络和操作系统，腾讯对这部分的知识问的比较多。另外多刷下牛客的热门题库，刷题注意刷ACM模式，和牛客的周赛题，腾讯有的部门会从这里面出原题。我是@程序员花海关注我，带你了解更多校招资讯！