大模型近来是火爆了，小伙伴们问我大模型现在是泡沫吗？目前，大模型在技术上是成熟的，并且在多个领域展现出了巨大的潜力。然而，它们是否能够持续产生价值、实现商业化成功，并适应监管和社会的变化，将是决定它们是否是泡沫的关键。因此，对于这个问题的答案，需要随着时间的推移和市场的变化而不断评估。接下来给大家分享真实的大模型岗位面试，在最后会给大家分享一份面经。希望能够帮助到大家。【已打包，底下扫码获取】
面试情况：
投过的公司： 淘天，字节，蚂蚁，商汤，美团，夸克，腾讯，minimax，零一万物，阿里控股，潞晨科技，阿里巴巴国际，网易实验室，Momenta。
Offer：淘天，字节AML，商汤，蚂蚁，美团，夸克，腾讯混元，天翼云。
面经：
淘天【offer】：
部门：未来生活实验室。
介绍：
淘天集团的大模型研究将主要围绕两个场景展开：一是搜广推，二是逛逛的内容化。团队组建工作由淘天集团CEO戴珊、淘天集团CTO若海、阿里妈妈CTO郑波等人共同牵头。介绍链接。
面经：
一面：
- 如何训练ocr任务
- 实验的setting，
- ocr任务影响如何
- 高分辨率训练，再在小分辨率上，会不会崩掉
- 输出bbox有没有好的方式
HR面：
- 基本信息确认：
- 考研进入电子科技大，为什么
- 为什么进入了诺亚
- 代表性的工作
- 如何解决问题的，国内在做语言大模型的多一些。
- 国内在做多模态大模型的
- 如何评测，评估这些大模型的。如何看待刷榜的问题。
- 你们的衡量指标
面试体验：
面试体验很好。HR也没有那么咄咄逼人。阿里味不是特别明显。最终权衡也选择来了淘天。
字节AML【offer】：
部门：AML火山方舟大模型
介绍：
淘天集团的大模型研究将主要围绕两个场景展开：一是搜广推，二是逛逛的内容化。团队组建工作由淘天集团CEO戴珊、淘天集团CTO若海、阿里妈妈CTO郑波等人共同牵头。介绍链接。
预备面经：
猎头也提供了一些其他候选人的面经， 整理如下：
- 设计一个Hash表
- 蓄水池问题
- 从超大文本文件中随机行采样
- 二叉搜索树-去掉超出[m, n]范围内的节点
- 计算交叉熵
- 计算IOU
一面：
- 多模态你们的流程
- 你们的OCR的结构
- layernorm的区别
二面：
- 什么时间开始做多模态模型
- 目前在文档
- Token长度太大。高分辨率如何解决。
- patch能不能变得
- VQGAN
- GPT4V的结构形式。
- LLM decoder
- MagViT
- LLM的基础知识需要尽快补上
三面：
- 自我介绍
- 多模态大模型用哪个模型
- Transformer比较熟悉
- python实现self attention和Transformer
面试体验：
字节一如既往的注重coding，基本每一面两道题，自己能拿到offer也算是运气吧。一面的面试体验很差，可以说是毫无面试经验的面试官。
商汤【offer】：
一面：
- 简单的自我介绍
- 关于高分辨率的解决办法
- OCR是如何去做的，有没有grounding，Referring。
- GPT4V 位置，检测明显的问题。
- 你们是如何解决位置信息的。
- 新的模态，进来。如何去拼接过来。
- 新来一批数据，如何训练。
- tree1是否是tree2的子树。
二面：
- AGI缺不了视觉。
- 工业场景，人的检测，奇怪的零件，机器的检测。检测的结果，需要理解人的行为。理解和context的关系。人和环境的关系。借助多模态来解决。
- 自驾，感知端，到决策端，感知不需要全面的感知，着重额感知需要。
- 假新闻，图是真的。caption场景。
- OCR，街景的OCR，文档，网页截图等是不同的，这些场景混在一起。会有影响吗。
- OCR的方案，一般是先出检测框，再出文本。不规则的文本，如何解决。
- 多模态大模型的OCR。
- Qwen-VL的文本检测形似，是否合理。
- 模型本身的三种能力：
* 自己的能力，认识什么。
* LISA：借助decoder来做，用新的prompt来实现分割。
* 外挂RAG等。
- 判断左右括号（），等组成的字符串是否是合法的。
二面结束，问题不大。
三面：
- Leader面，聊了一些有的没的
面试体验：
面试过程很专业，毕竟是商汤，算法技术是国内领先的，奈何没产品，而且薪资包也没有诚意。
蚂蚁风控大模型【offer】：
一面：
- 自我介绍
- 介绍Focus-DETR，有没有在业务中应用。
二面：
- 介绍
- 目前在做的事情
- 下游的任务，文档场景，再做一个什么任务。
- ocr数据是如何生成的。
- 效果如何。
- 如何解决幻觉的问题。
HR面。
- 具体的工作内容，印象
- 安全内容，tob的内容审核。竞对。
- 个人介绍。
- 上海海思，为什么跳槽
- 算法支撑
MiniMax：【挂】
一面：
- 空间感知能力是如何解决的
- 不同token长度是否有做balance的方式
- 很多有价值的问题。
- python实现标题 MLP Regressor 题目描述 题目描述与要求:实现一个MLP regressor 的完整训练过程，包括:forward , backward , SGD更新参数;验证backward梯度正确性;构建数据，验证端到端正确性 (收敛&泛化);(optional) 参考你过往的实验经验，尽可能让功能更完善;不使用第三方库中已实现好的自动求导方法;P.S. 实现方法不限，但由于在线IDE运行环境不稳定，推荐使用numpy。
PS：
面试官对算法底层了解比较深入，比较考验代码能力，不是字节那种。
零一万物【挂】：
一面：
- 多模态的情况。
- document的难度。
- 手写 self attention
二面：
- 自我介绍
- 传统的OCR模型和多模态大模型的区别
- 带不带OCR，多模态文档智能差多少。
- 未来OCR模型是否会被大模型吃掉。OCR大模型有什么是做不了的。
- 在哪些模型上做过一些预训练。
- 多模态未来怎么做。
- EVA的有趣的现象。没有出现涌现的现象。
- 后面的工作主要集中在哪里。
- 怎么训练比较好，gemini那种形式，llm那种形式。
PS：问了很多开放性的问题，给的回复是业务积累不够，hhhh。
美团【offer】：
一面：
- 文档大模型是一个独立的模型，会整合到一个大模型还是分离式的。
- 不考虑通用场景的。
- 目前用的多大的模型。
- 是一个什么结构。对结构的一些了解。
- flamingo或者blip2的结构上的对比。
- 足够资源的情况下，哪个结构是最优的。
- 分辨率是如何解决的。文档的分辨率比较高。
- QA对匮乏如何解决的。
- ocr的性能目前是低于多模态大模型。
- 如何解决bbox感知能力差的问题。
- 充足的算力。数据如何获取。如何有效的清洗。
- fuyu这种结构有什么优化的空间。
二面：
- OCR文档大模型
- Instruction tuning的决定性因素，哪些Instruction tuning策略效果更好。如何评估复杂度的性能。
- 如何保证数据集的多样性和复杂度。
- 分层的Instruction tuning。
- 数量的影响。数量和质量。
- 不同类型数据的影响。对下游任务的影响。自动化的数据配比。自动化的指标去做类似的事情。
- 专门优化的指标不再是一个好的指标。
- 使用其他的指标来引导模型的优化，而不是使用下游的指标。LLM使用的loss，作为指标。而不是benchmark的分数。
- 合理的评估指标是什么。openAI的压缩理论，trainnig loss代表优化目标。
- AGI的几个阶段，deepmind发表。
三面：
- 各种问题
四面：
- 介绍自己。
- 有一个多模态大模型，具备一些很多baseline的效果，基础的CV能力。可能效果都不是特别好。不如专精的大模型。OCR为例。目标得到一个类似GPT4V的模型，整理提高模型的效果。第二个，全流程，强化ocr能力。已有的多模态大模型。
- 文档场景。
阿里控股【PASS】
一面：
这里没什么面经，整体面试体验很差。不考虑继续往下面。
- 人非常高傲，傲慢，问问题，满脸的嫌弃
- 感觉别人都不行
- 觉得自己很强
- 文生图
- 文生图的畸形，检测的方式。
潞晨科技【PASS】
一面：
- 手写self-attention
emmm，但凡面试官是NLP的，面试体验都不太好。如果NLP背景的面试官，面试会比较困难。
夸克【offer】
一面：
项目
做题
二面：
- 高分辨率的解决方案
- 重叠文本框。采用什么方案来解决。
- 端到端的OCR是怎么做的。
三面：
- 介绍Focus-DETR。
- 介绍端到端的OCR。
- 介绍多模态大模型。
- 小语种数据集采购是为什么。检测数据多了，识别数据少了。
介绍业务规划，偏传统业务，不是大模型方向。
四面：
大佬面，出了一个概率题。
HR面：
为什么跳槽。
职业规划。
为什么有这个绩效和各种奖项。
腾讯-混元大模型【offer】：
一面：
- 简单描述简历，在做的东西
- 图像细节提取有什么办法
- 目前的进展是什么样的，项目进展到什么情况
- 表格这种数据如何解决，如何对表格这种做有效的信息抽取。
- 目前有多少的数据量
二面：
- OCR算法
- 项目
- 介绍文本检测的一些问题如何解决
- MAE如何优化，什么鬼问题
三面
纯聊天，没有太多技术问题。
- 多模态大模型，TEG，数据平台事业部。混元大模型。机器学习平台。
阿里巴巴国际部【中止】：
一面：
题目，旋转图像 Alpha度，
介绍项目
介绍Focus-Detr。
二面：
简单询问项目，很快结束。
PS：不靠谱，很久没消息。没有后续的任何回复。这种最恶心了，建议大家不要再投。
网易实验室【PASS】：
一面：
- 自我介绍
- 剪枝的工作，Focos-DETR是如何剪枝的。
- Transformer相比CNN，相比RNN的优势。
- 训练推理，增加吞吐量。
- 推理加速。预训练模型的部署推理，优化。
做推理加速的不合适。
Momenta【PASS】：
一面：
- 手写NMS
- 介绍DETR
- 介绍Focus-DETR
- 介绍position Embedding
- 介绍DETR里面query的含义
PS：Momenta属于给钱多，但是比较累的。以后不太想做自动驾驶了，所以pass。不再考虑。
蚂蚁【大模型-codefuse】【HR面挂】
一面：
简单聊项目
二面：
- 业务题，如何解决多页文档的问题
- 业务题，现在 ui 多模态大模型，ocr 如何引入，目前 ocr 存在很多问题
- leetcode 题目，字符串转数字
- leetcode 题目，最大子数组和
- 多模态大模型的基础知识
三面：
- 个人介绍
- 部门规模
- 论文的情况
- 换过部门
- 海思做的内容
- OCR成熟度很高
面试体验：
面试官都很专业，问了很多问题，感觉很强。在HR面上吃了亏，很多问题没有回答好，吸取了经验，很多问题调整了回答的方式。也反思了自己在过往工作中存在的问题，面对大公司建议HR面认真准备，看看网上的一些经验，阿里的HR有一票否决权。
HR面注意点：
1、跳槽动机：如果是因为晋升不上去看机会，建议这么说：内部机会少，太稳定，想看更有发展的机会，别直接说晋升不上去才看机会，⚠切勿说和leader处不来或者说目前leader坏话。
2、关于薪资：可以回答看企业安排，或者回答一个区间，保底多少，期望多少，加一句薪资可谈，留足谈判空间，如果企业给的薪资不太满意，⚠别直接拒绝，就说考虑一下，我这边去谈，最后面试结束时，记得感谢下面试官的时间。
3，关于加班：大厂都大差不差，HR问就是试探⚠切勿说接受不了。
一些参考资料：
- 国内大模型公司，粗略面经+感受+一些包裹
- 淘天集团大模型算法工程师面试经验贴
- 大模型面试八股
- 大模型八股答案（一）——基础知识
社招关于大模型的知识点问到的也是一些常识知识，没有特别难得，更多的还是项目为主。面试其他公司的时候基本没有刷题，因为工作期间面试的，没有太多时间刷题， 只能周末时间。为了准备字节还是刷了一些题，大概60多道，如果是字节的话，还是好好准备刷题， 我有朋友甚至遇到了好几道hard。关于刷题，推荐labuladong的刷题笔记。应该算是最精良了，看这个不用看其他的了。
选择offer过程中也是各种权衡，考虑很多因素，也咨询了很多朋友，面临offer选择困难的朋友也可以咨询我。
为了帮助大家更好地把握AI大模型的学习和发展机遇，下面提供一份AI大模型的学习路线图以及相关的学习资源，旨在帮助您快速掌握AI大模型的核心技术和应用场景。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
一、大模型全套的学习路线
学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。
L1级别:AI大模型时代的华丽登场
L2级别：AI大模型API应用开发工程
L3级别：大模型应用架构进阶实践
L4级别：大模型微调与私有化部署
一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
五、面试资料
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
