百度
多模态算法岗一面、二面面经
完整信息
本篇目录
一面
1. 简述多模态大模型的整体核心架构与组成模块
2. 详述主流视觉语言Adapter的类型与核心功能，拓展提问Q-former相关原理与应用场景
3. 梳理ViT视觉Transformer的图像预处理与特征提取完整机制
4. 详解自注意力Self-Attention底层原理；延伸提问：注意力分数除以根号d的核心原因、多头注意力相较于单头注意力的核心优势
5. 对比分析ViT与传统CNN模型在视觉任务中的性能优势与适配场景
6.手撕算法：LeetCode 221 最大正方形
二面
1. 对比MHA、MQA、GQA三种注意力机制的差异，重点分析三者在推理速度、显存占用层面的优劣区别
2. 分析MHA、MQA、GQA架构下，KV Cache的显存占用比例与资源消耗特点
3. 了解Nano、Image 2.0、Seedream等主流图像生成模型，简述各类模型的底层技术架构与迭代路线
4. 解析PagedAttention技术原理，说明其是否能够降低显存占用及背后核心原理
5. 清晰区分Dataset、DataLoader、Sampler三者的定义、功能与使用场景差异
6. 基于Qwen3搭建代码补全Agent，若负责分词器tokenizer模块，会面临哪些核心问题，对应的优化解决方案是什么
7. 简述主流代码智能Agent的工作模式，对比不同模式的核心差异与适用场景
8. 团队内部算法模块已封装为Pip包，如何设计方案让代码Agent精准识别、调用内部私有函数
本篇目录
当前问题0114
- 01
简述多模态大模型的整体核心架构与组成模块
- 02
详述主流视觉语言Adapter的类型与核心功能，拓展提问Q-former相关原理与应用场景
- 03
梳理ViT视觉Transformer的图像预处理与特征提取完整机制
- 04
详解自注意力Self-Attention底层原理；延伸提问：注意力分数除以根号d的核心原因、多头注意力相较于单头注意力的核心优势
- 05
对比分析ViT与传统CNN模型在视觉任务中的性能优势与适配场景
- 06
手撕算法：LeetCode 221 最大正方形
- 07
对比MHA、MQA、GQA三种注意力机制的差异，重点分析三者在推理速度、显存占用层面的优劣区别
- 08
分析MHA、MQA、GQA架构下，KV Cache的显存占用比例与资源消耗特点
- 09
了解Nano、Image 2.0、Seedream等主流图像生成模型，简述各类模型的底层技术架构与迭代路线
- 10
解析PagedAttention技术原理，说明其是否能够降低显存占用及背后核心原理
- 11
清晰区分Dataset、DataLoader、Sampler三者的定义、功能与使用场景差异
- 12
基于Qwen3搭建代码补全Agent，若负责分词器tokenizer模块，会面临哪些核心问题，对应的优化解决方案是什么
- 13
简述主流代码智能Agent的工作模式，对比不同模式的核心差异与适用场景
- 14
团队内部算法模块已封装为Pip包，如何设计方案让代码Agent精准识别、调用内部私有函数