最近这一两周看到不少互联网公司都已经开始秋招提前批面试了。
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。
喜欢本文记得收藏、关注、点赞。
自 OpenAI 打开了生成式 AI 的潘多拉魔盒以来,大模型相关岗位需求明显增多。
相关岗位薪资普遍较高,大部分同学可以拿到了40w以上。在整个就业市场上,也算是妥妥的高薪了。
最近有不少同学找我进行简历辅导、职业规划和咨询如何准备AI面试。
今天我来分享一下常见的多模态算法面试题,如果你想了解更多内容,欢迎加入我们星球。
考察知识面和理解深度
-
你了解哪些多模态大模型
-
讲一下多模态模型的发展过程
-
最新的多模态模型有了解吗
-
目前多模态模型还存在哪些问题以及如何解决
-
多模态模型的整体结构
-
微调多模态大模型,有哪些心得
-
如何从头训练一个多模态模型
-
多模态模型一般支持哪些任务类型
考察对算法细节的理解
-
CLIP的原理是什么
-
BLIP的损失函数如何设计
-
BLIP2中的 Q - Former 的结构
-
可学习的 query 的作用是什么
-
BLIP2和 BLIP 的区别是什么
-
BLIP2是如何做微调的
-
LLava和BLIP2的区别是什么
-
双向 attention 和因果 attention
-
场景题:如何利用多模态大模型做同款识别
-
代码题:手写 muti head self attention
如果需要给简历增加更有质量的项目,增加面试官的认可度,或者提升算法岗的面试能力,从而在横向对比中脱颖而出,可以找我交流。
技术交流
通俗易懂讲解大模型系列
参考文献:
[1] https://betterprogramming.pub/fine-tuning-your-embedding-model-to-maximize-relevance-retrieval-in-rag-pipeline-2ea3fa231149
[2] https://github.com/weaviate/recipes/blob/main/integrations/llamaindex/retrieval-augmented-generation/naive_rag.ipynb
[3] https://medium.com/towards-data-science/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2
[4] https://github.com/run-llama/llama_index
[5] https://github.com/weaviate/recipes/blob/main/integrations/llamaindex/retrieval-augmented-generation/advanced_rag.ipynb