面了美团大模型算法岗，问的贼细。。。

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。

---

今天分享我们一星球成员面试美团大模型面经:

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

• 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

• 简单介绍下Transformer

• 大概讲一下Transformer的Encoder模块？

• 为什么transformer块使用LayerNorm而不是BatchNorm？

• Transformer为何使用多头注意力机制？

算法题：手写multi-head attention;寻找两个正序数组的中位数 (LeetCode 4);只出现一次的数字 III (LeetCode 260)

二面

• 请描述BERT的微调过程及其重要性

• 解释什么是自注意力机制，以及它在BERT模型中的作用。

• BERT与其它预训练模型（如GPT）有什么不同？

• 如何评估BERT模型在特定NLP任务上的性能?

• 如何解决BERT训练中的过拟合问题？

• 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，training loss代表优化目标

• AGI的几个阶段，deepmind发表

算法题：根据字符出现频率排序 (LeetCode 451); 只出现一次的数字 (LeetCode 136)

（完）

附上技术清单

在这里，我们想要强调的是：成功求职并不是一件难事，关键在于你是否做好了充分的准备。通过学习和掌握AI技术的相关知识和技能，了解面试中可能出现的问题和技巧，你就能够在面试中展现出自己的专业素养和实力，赢得面试官的青睐和认可。因此，让我们一起努力，用知识和技能武装自己，迎接AI时代的挑战和机遇吧！
有需要的朋友可以扫描下方二维码，免费获取更多相关资料！

最后，祝愿所有转行、求职的同学都能够在AI产品面试中取得优异的成绩，找到心仪的工作！加油！

大模型基础面

大模型进阶面

大模型微调面

大模型langchain面

大模型推理面

更多面试题分享