暑期实习基本结束了，校招即将开启。

不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

总结链接如下：

《大模型面试宝典》(2024版) 正式发布！

喜欢本文记得收藏、关注、点赞。更多交流，可以文末加入我们

除了去互联网大厂外，半科研半实践的 AI 实验室也是一个不错的就业选择，分享我们一个球友的面经：

背景：双非本，top5 硕士，研究方向是对话系统和图像处理，NLP 比赛 Top10（天池 / Kaggle），1 篇发明专利，1篇CCF-A。

马上要入职了，祝愿球友们不断夯实自我，加油努力，收获钟意的offer～

一面

讲一下目标检测项目为什么不用 Anchor-based 的方法，在工业界其实还是 Anchor-based 的用的多，因为召回率高讲讲 CenterNet 这种用来检测的方法和 Anchor-based 相比的优点在哪里抠图和分割有什么区别，抠图的前景背景代表什么MODNet 语义的部分是怎么预测的，人的姿态千变万化，他为什么能预测那么好的预测出来？报图你用了 MAD, MSE 指标，还了解其他指标吗？DDIM DDPM 区别说几种 diffusion 加速推理方法多模态大模型你了解那些？LLAVA 讲一下？LLaMA 2 的创新在什么地方MINI-GPT4 是否使用过是否了解 Swin Transformer，介绍一下

总体来说，面试体验中等。

二面

从三个方面讲一下目标检测项目：动机、方法、结果你用到了 Transformer Encoder，你觉得 global attention 和 self-attention 有什么区别呢？介绍 Transformer 和 ViT为什么 Transformer 适合多模态任务？Transformer为什么使用多头注意力机制？CenterNet 能解决两个物体的中心点重合的问题吗？你用到了蒸馏，那么你觉得蒸馏和直接用 GT 相比，有什么好处？MODNet 是一个 Trimap Free 的还是 Trimap Based 的算法？介绍一下他的大概流程抠图方面，怎么让一个小数据集训练出来的模型更好泛化呢？介绍部门，表示这边也是做图像相关的研究，不仅仅做学术研究，也会落地应用编程题：手撸 IOU 计算公式编程题：用 5 个线程来打印 1 ~ 100，另外要求每个线程必须按顺序依次执行。摊牌说不会按顺序的做法，换题。

HR 面

实验室和大厂，你是如何抉择的，主要考虑哪些方面？对自己未来3-5年的职业规划是什么？以往在团队合作中最难的一件事hr 介绍了实验室的运营情况，特别是 WLB 这点，让我看了心动

资料获取和交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

成立了大模型算法技术交流群，相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、微信搜索公众号：机器学习社区，后台回复：加群

方式②、添加微信号：mlc2040，备注：来自CSDN + 技术交流

通俗易懂讲解大模型系列

重磅消息！《大模型面试宝典》(2024版) 正式发布！

重磅消息！《大模型实战宝典》(2024版) 正式发布！

做大模型也有1年多了，聊聊这段时间的感悟！

用通俗易懂的方式讲解：大模型算法工程师最全面试题汇总

用通俗易懂的方式讲解：不要再苦苦寻觅了！AI 大模型面试指南（含答案）的最全总结来了！

用通俗易懂的方式讲解：我的大模型岗位面试总结：共24家，9个offer

用通俗易懂的方式讲解：大模型 RAG 在 LangChain 中的应用实战

用通俗易懂的方式讲解：ChatGPT 开放的多模态的DALL-E 3功能，好玩到停不下来！

用通俗易懂的方式讲解：基于扩散模型（Diffusion）,文生图 AnyText 的效果太棒了

用通俗易懂的方式讲解：在 CPU 服务器上部署 ChatGLM3-6B 模型

用通俗易懂的方式讲解：ChatGLM3-6B 部署指南

用通俗易懂的方式讲解：使用 LangChain 封装自定义的 LLM，太棒了

用通俗易懂的方式讲解：基于 Langchain 和 ChatChat 部署本地知识库问答系统

用通俗易懂的方式讲解：Llama2 部署讲解及试用方式

用通俗易懂的方式讲解：一份保姆级的 Stable Diffusion 部署教程，开启你的炼丹之路

用通俗易懂的方式讲解：LlamaIndex 官方发布高清大图，纵览高级 RAG技术

用通俗易懂的方式讲解：为什么大模型 Advanced RAG 方法对于AI的未来至关重要？

用通俗易懂的方式讲解：基于 Langchain 框架，利用 MongoDB 矢量搜索实现大模型 RAG 高级检索方法