一面百度感觉直接gg3.手撕transformer这个自注意力机制 、leetcode三元组相加4.transformer 为什么比cnn好在哪 为什么现在很多都用它来做一个任务全局建模能力CNN 卷积核是局部感受野Transformer 自注意力一次能捕捉全局依赖。参数共享 vs 灵活性CNN 层数深了才能扩大 receptive fieldAttention 一步就能“看全局”。可扩展性多头注意力能分解不同子空间特征灵活。并行化相比 RNNTransformer 可并行计算序列。 面试时可以举例在 NLP 里长依赖关系或者 CV 里远距离像素依赖CNN 不容易捕捉5.clip能做图生文文生图吗6.blip的三个损失BLIP Bootstrapping Language-Image Pretraining核心三类任务图文匹配 (ITM)判断图-文是否匹配分类 loss。图文对比 (ITC)对比学习把正样本拉近负样本推远。图文生成 (ITG)给定图像生成 caption交叉熵 loss。 BLIP-2 还引入了 Q-Former 来适配大语言模型。7.diffusion的一些前沿工作其他记不得 稀烂二面 还是项目 讲一下项目里多模态模型怎么用的手撕一道动态规划多模态领域的前沿有没有了解过 最新的进展有没有微调大模型的经验 最新的前沿讲讲clip blipvit的输入的图像如果不是个正方形该怎么办讲讲多头注意力的计算过程讲讲sam是什么样的结构 由哪几个部分组合起来blip clip 这都很老了 最近的千问有没有了解过答 补零 面试官直接resize差值就行tranformer 多头和单头注意力相比 参数量会更大吗 答不会有明显的参数量变化最终 感觉一面最烂结果一面过了感觉二面还可以最后二面挂了生活给我开的玩笑 我一个也笑不出来/苦笑2026.2.261面湃道科技 视觉算法实习生 这个挺偏工程省级大创做了啥。python考察 列表list和元组的区别tuple在Python里list和tuple最核心的区别是可变性list是可变对象可以随时增删改元素而tuple是不可变对象一旦创建后元素不能修改这带来几个实际影响比如list适合存储需要动态变化的数据结构而tuple更适合作为只读数据或函数返回多个值时使用同时因为tuple不可变所以在内存上通常更轻量、访问速度略快并且可以作为字典的键而list不可以另外语法上list用中括号定义而tuple用小括号定义整体来说如果数据需要修改用list如果数据逻辑上不应该被改变或者需要作为hash key使用就用tuple。yolo的结构以及各部分的作用YOLO系列算法的网络结构通常由主干网络Backbone、颈部网络Neck和预测头Head这三个核心部分组成 它们协同工作以实现高效的端到端的全卷积目标检测。主干网络主要负责特征提取它通常采用像Darknet或CSPDarknet这样的深层卷积神经网络能够直接从原始输入图像中提取出从基础边缘纹理到高级语义抽象的各层次特征图。颈部网络则位于主干和预测头之间它的核心作用是进行多尺度特征融合通常会使用特征金字塔网络FPN和路径聚合网络PANet等结构将主干网络提取到的深层丰富语义信息与浅层精准位置信息进行双向融合从而显著提升模型对不同尺寸目标尤其是小目标的检测能力。最后预测头也就是Head部分负责直接输出最终的检测结果它接收颈部网络处理后的多尺度特征图在不同的网格级别上执行密集预测一次性计算出所有目标的边界框坐标、目标置信度分数以及具体的类别概率分布这正是YOLO能够实现“看一眼”就快速且精准完成检测的关键所在。1x1卷积的优点1×1 卷积的核心优势在于只在通道维度上进行线性组合而不改变空间尺寸能够有效实现跨通道特征融合同时它常用于通道降维从而显著减少参数量和计算量提高模型效率。此外1×1 卷积可以增加网络的非线性表达能力并在如Deep Residual Learning for Image Recognition等工作提出的 Bottleneck 结构中发挥关键作用使深层网络在保持性能的同时更加轻量和高效。因此1×1 卷积既是计算优化工具也是提升模型表达能力的重要结构单元。项目工厂中300张图片150张戴安全帽 150张不戴 红黄蓝白四种颜色 红黄蓝占90%。 怎么解决 以及数据增强的方案工程类的对这个问的比较细面对只有300张图片的极小样本量以及白色安全帽仅占10%的严重长尾分布问题我会从数据扩增、模型选择和损失函数优化三个维度来综合解决。首先因为整体数据量实在太少我会优先选用在大型数据集上预训练过的模型进行迁移学习以此来提取基础特征并降低过拟合的风险。在数据增强方案上针对整体数据除了使用随机裁剪、水平翻转以及模拟工厂不同光照和粉尘环境的亮度与对比度调整等基础增强外我还会引入Mosaic或MixUp等高级增强技术来丰富背景上下文而针对极度缺乏的白色安全帽样本我会采取针对性的过采样策略也就是利用Copy-Paste技术将现有的白帽目标单独裁剪出来随机粘贴到不同的无帽人员或复杂的工厂背景图片中去如果有条件的话还会借助生成式AI如Diffusion模型来定向合成包含白色安全帽的各种场景数据从而在物理层面平衡样本分布。最后在算法训练阶段我会引入Focal Loss或者使用类别加权的损失函数通过增加少类样本的惩罚权重迫使模型在训练时给予数量稀少的白色安全帽更高的关注度从而有效克服因颜色样本极度不平衡带来的识别偏差。二面湃道智能人挺好给我讲了挺多东西说市面上最火的方向还是大模型和具身智能岗大模型的出现改变了挺多东西很多检测分割什么的套一个大模型就能解决了。问了我的博士生研究方向建议我以后的研究方向可能还是要往大模型或者具身智能上去靠如果是传统的cv难找工作。现在的小论文归小论文了当然针对小论文的话一个模块加进去有用就大概率是这个模块的作用不过为什么有用相比起来是更重要的那么在实验部分就可以给一下加与不加这个模块的输出热力图啊或者别的什么这种方式来直观的体现有用。因为大模型的出现所以idea的原因更加重要实习生工作是针对给定的场景数据调通pipeline 然后不断的上线测试迭代 还是偏传统不太新颖用大模型的地方不太多。2026.2.27一面智元机器人 机器人多模态感知方面先是简历项目transformer相比于传统的好处我答能看到全局信息问除了这个之外呢我没答上来hr说是更加灵活因为基于注意力的模型更多了yolo26和dino的原理有没有了解前沿的大模型方法、前沿的多模态感知方法 前沿的机器人技术手撕算法nms 、 kmeans聚类 都没写出来nms原理也说的不对。面试官引导我思考nms别太关注于nms这几个字就是去思考对同一个区域预测出多个框之后怎么筛选直到只剩下一个框。给我的建议关注2d方面主流的进展——》关注3d视觉方面的感知——》特斯拉怎么去应用3d技术的 这样才算入门2026.7.131面塞索德斯yolov8 v11 v13的具体的区别.从有anchor到无anchor的变化代表什么从什么时候开始从anchor-base到anchor-free的。无anchor是怎样检测到目标的。高斯热点有没有了解过除了yolo你还对什么有了解我说多模态大模型说了几篇论文没继续深入问点云有了解吗讲一下。sam了解过吗 sam是怎么进行分割的。 我说只是调用 并没有深入看rgbt有了解吗他们现在在做的是毫米级的精度。总体来看感觉不太适合
