作者：小森（阿里巴巴 大模型算法工程師）

部門與崗位：阿里集團 - 國際數字商業集團 - AI Business - 視覺與多模態
一面
自我介紹和過項目，和以往面試一樣，項目和論文都問的非常細節，每一步的做法是什么，為什么要這樣做
有了解過 Ovis 模型嗎
目前的多模態大模型的視覺特征傳遞給 LLM 都有哪些方法
講一下 BLIP 系列的三篇工作，連接視覺編碼器和 LLM 的 Adapter 經歷了怎樣的變化
ViT 的結構是怎么樣的，目前 ViT 一般怎么預訓練
對于不同形狀的圖片或視頻，位置編碼怎么設計
在 ResNet 或者 Transformer 中，殘差連接的作用是什么，展開講講
代碼：Focal Loss
代碼：215. 數組中的第K個最大元素

一面整體來說考察的都是一些八股知識，感覺面試官之前是做視覺的，問的問題都比較偏視覺一些，對于 LLM 的考察并不是很多
二面
自我介紹和過項目，也是問的比較細，花了挺長時間的
目前多模態大模型的整體結構是什么樣的，都了解哪些多模態大模型
剛剛提到了 BLIP2 和 Qwen-VL，這些模型里的 Learned Queries 有什么用
Qwen-VL 的訓練流程是怎樣的
講一下大模型的訓練流程，PPO 和 DPO 的主要思想是什么，有什么優缺點
在多模態這邊，一般對齊是怎么做的
多模態 RAG 有了解嗎
代碼：208. 實現 Trie (前綴樹)

二面問的比較常規，但是某些點問的比較細，包括項目中的一些點，應該是在考察對于模型的理解。面試官人也挺好的，會做一些提示和補充
三面
自我介紹，挑一個你覺得做的好的工作講一下，動機、做法、效果
看你用到了 Qwen，說一下 Qwen 的結構是怎么樣的
怎么計算模型的參數量和計算量，大致估算一下，比如 Qwen 的 7B 模型，這個 7B 是怎么計算出來的，推理的時候需要多少計算量
為什么大模型設計的參數量都是 7B，13B，72B 這種規格的
開放題：大模型在訓練和推理的時候顯存不夠，有哪些優化方法

三面更加注重大模型的訓練和推理這些內容，對于動手能力的考察比較多，沒有寫代碼，整體面試時間也比較短，不到一個小時
總結
總的來說考察還是挺全面的，包括三面也問了很多知識點，感覺應該 hc 比較少，所以大老板也問的比較多，想再篩一些人
@AI行業洞察