拼多多9.19线下面经：大模型算法一面到主管面

《面试题目》

一面

1. 主要问实习项目，然后讲了一下论文。
2. 手撕：给一个长度为 n 的数组，找出一个三元组满足 i < j < k 且 a[i] < a[j] < a[k]，要求时间复杂度 O(n)、空间复杂度 O(1)。

二面

3. 实习项目 + 论文
4. LoRA 的 alpha、rank 分别是什么含义？
5. VLM 中减少 vision token 的方法有哪些？
6. 介绍一下 Qwen-VL 系列的位置编码。
7. Qwen3.6 没有使用 DeepStack 的原因是什么？
8. adapter 采用 MLP 和 Q-Former 的区别？为什么 MLP 成为主流？
9. 手撕：搜索旋转排序数组。

HR 面

10. 实习情况、家庭、薪资、为什么选择拼多多等。

主管面

11. 介绍实习项目
12. 手撕：给了 n 堆黄金，每堆黄金有一个价值 vi，要求把这 n 堆分成两部分，使得最后这两部分的总价值差值最小。

《参考解析》

递增三元组的 O(n) 时间、O(1) 空间解法：不需要额外数组，只维护两个变量——first 记录当前遇到的最小值，second 记录已找到的「最小的递增对」的第二个值。遍历数组时：若 x > second，说明找到了完整三元组，直接返回 true；否则若 x > first，更新 second = x；否则更新 first = x。直觉是贪心地压低候选值，为后面留最大空间（力扣 334 递增的三元子序列）。要注意题干是否要求严格递增（用 > 而不是 >=），以及等值元素的处理。如果面试官进一步要求「输出三元组的下标」，O(1) 空间就做不到了（至少要记住 first 的位置），这时要主动说明并给出 O(1) 判断存在性 + O(n) 记录方案的取舍。

LoRA 的 rank 与 alpha：LoRA 冻结原权重 W，旁路两个低秩矩阵 B(d×r)、A(r×k)，前向变成 h = Wx + (α/r)·BAx。rank r 决定可训练参数量与表达能力——r 越大越接近全量微调，也越容易过拟合，常见取值 8/16/32/64，注意力层的 q、v 通常给得比 k、o 大。α 是缩放系数，α/r 相当于给 LoRA 分支的学习率做缩放，所以调 α 与调学习率高度耦合；实践中常见做法是固定 r 调 α，或直接设 α = r、α = 2r。初始化上 A 用高斯、B 置零，保证训练起点与原模型完全等价；推理时可以把 BA merge 回 W，做到零额外延迟。顺带可以提 target_modules 选择、lora_dropout、以及多套 LoRA 热切换的工程价值。

VLM 中减少 vision token 的方法：① 结构型压缩——Q-Former/Resampler 用固定数量的可学习 query 通过 cross-attention 抽取视觉信息（BLIP-2 路线），token 数变成常数；② 池化型——平均池化、pixel shuffle（把 2×2 相邻 patch 拼到通道维）、token merge（按相似度合并冗余 token）；③ 剪枝型——按注意力权重或特征相似度丢弃不重要 token；④ 输入侧——动态分辨率与自适应切图（AnyRes），只在关键区域保留高分辨率；⑤ 编码器侧——加大 patch size、用分层下采样、只取 ViT 部分层输出。压缩率越高，OCR、小目标、细粒度定位的损失越大，所以选型要按任务定，并在评测集上验证不是「压了就完事」。

Qwen-VL 系列的位置编码：早期 Qwen-VL 把图像切 patch 后展平，与文本 token 拼成一条序列，用可学习的位置编码 + 绝对位置来标记。Qwen2-VL 之后换成了 M-RoPE（多模态旋转位置编码），把位置拆成时间、高度、宽度三个分量：文本 token 三个分量共用同一个位置值，图像 token 的高度/宽度分量按 patch 在网格中的 (h, w) 给出，时间分量用于视频帧。这样模型能显式感知二维空间结构，并且对任意分辨率有更好的外推能力，文本与图像拼接处的序号仍然连续。回答时最好点出「为什么需要二维位置」——一维展平会破坏图像的邻接关系，影响定位与文档理解。

Qwen3.6 为什么不用 DeepStack：DeepStack 的思路是取 ViT 不同深度的多层特征，分别注入 LLM 的不同层，用来增强细粒度视觉理解。不采用它的可能理由是：多层特征拼接会显著拉长视觉序列，注意力开销随长度平方增长，训练与推理成本都高；跨模块对齐让训练更复杂、更不稳定；而在视觉编码器更强、原生动态分辨率方案成熟的条件下，这部分收益与代价不成比例。答这题的正确姿势是承认这是模型设计的取舍，说明「加了会换来什么、代价是什么」，而不是替官方下结论——面试官更想听你的分析框架。

MLP adapter 与 Q-Former 的区别：Q-Former 用固定数量的 query 通过 cross-attention 从视觉特征里抽取信息，天然压缩 token 数，并且可以用图文对比 + 生成的多目标任务做对齐（BLIP-2 两阶段），但它结构复杂、query 数量固定形成信息瓶颈、与 LLM 的衔接还需要额外投影，细粒度任务上会丢信息。MLP（线性层或两层 MLP）只做「视觉特征空间 → LLM 词嵌入空间」的投影，结构极简、梯度路径短、训练稳定，配合强视觉编码器和海量图文数据就足以对齐，且天然支持任意分辨率、多图与视频帧（token 数随输入可变）。LLaVA 一脉因此成为主流。补充一句：当 token 预算紧、需要固定长度表征（如检索式任务）时，Q-Former 仍有价值。

搜索旋转排序数组：二分的核心是每轮先判断哪一半是有序的：若 nums[l] <= nums[mid]，则 [l, mid] 有序，检查 target 是否落在 [nums[l], nums[mid]) 内决定收缩哪一侧；否则 [mid, r] 有序，同理处理。O(log n)，用闭区间写法（while l <= r）边界最不容易错。如果数组允许重复元素（力扣 81），当 nums[l] == nums[mid] == nums[r] 时无法判断哪侧有序，只能 l++、r-- 退化，最坏 O(n)。

黄金分堆（两部分价值差最小）：这是子集和/划分问题——设总和为 S，等价于找一个子集和尽量接近 S/2，答案即 |S − 2 × 子集和|。做法取决于数据规模：n 小且 vi 不大时用 0/1 背包 dp[和] 布尔或 bitset，O(n·S)；n ≤ 40 且 vi 很大时用 meet-in-the-middle，把 n 堆分成两半各枚举子集和（各 2^(n/2)），排序后双指针找最接近 S/2 的组合，O(2^(n/2) log)；vi 是浮点数或超大（超过 1e18）时是 NP-hard，只能近似（贪心 + 局部交换）。面试里先问清 n 与 vi 的范围再选方案，这题考的正是分类讨论而不是背模板。