vivo 大模型算法岗校招面经：CV、压缩部署与 HR 面

《面试题目》

一面（技术面）

1. 请做一下自我介绍。
2. 请介绍你的项目。
3. YOLOv5 的结构特点是什么？
4. 请详细介绍 SSD。
5. Anchor-based 与 Anchor-free 有什么区别？
6. 剪枝等模型压缩方法有哪些？
7. 你有嵌入式设备部署经验吗？
8. 量化具体怎么做？遇到过哪些问题？
9. CTC 的原理是什么？
10. CLIP 的原理是什么？
11. Transformer 的结构是怎样的？
12. 大模型的发展趋势是什么？
13. 你了解多模态吗？

二面（HR 面）

1. 请做一下自我介绍。
2. 家庭情况可以简单介绍一下吗？
3. 请介绍一下你的论文。
4. 你更希望和什么样的人共事？用三个词概括。
5. 是什么情况导致你对学习态度有很大的转变？
6. 你的优缺点是什么？
7. 相比其他应聘的同学，你最大的优势是什么？
8. 最快什么时候可以实习？
9. 你有什么想问的？

《参考解析》

YOLOv5 要讲清 Backbone、Neck、Head 三段的职责。 Backbone 用 CSPDarknet 做特征提取，CSP 结构通过跨阶段连接减少重复梯度、兼顾精度和速度；Neck 用 SPPF 扩大感受野，再用 PANet 做自顶向下和自底向上的多尺度融合；Head 在三个尺度上输出分类和框回归。需要提醒的是，YOLOv5 的检测头通常是耦合头，解耦头更多出现在 YOLOX、YOLOv6 这类后续工作里，面试时如果面试官说“解耦头”，可以先把 YOLOv5 的真实结构讲清楚，再补充解耦头的动机：分类和回归关注的特征不同，拆开后可以减少任务冲突。Anchor 方面，YOLOv5 用 k-means 自适应聚类得到锚框，训练时配合 Mosaic、MixUp、SiLU 和自动锚框。

SSD 的核心是“多尺度特征图直接预测”。 主干用 VGG16，后面接若干逐级下采样的卷积层，形成不同分辨率的特征图；小特征图负责大目标，大特征图负责小目标。每个特征图单元格预设多种尺度和长宽比的 default box，模型预测相对于这些先验框的偏移和类别置信度；正负样本极度不均衡，所以训练时用 hard negative mining 控制负样本比例，推理时用 NMS 去重。损失由定位的 Smooth L1 和分类的交叉熵组成。Anchor-based 与 Anchor-free 的区别则在于是否预设先验框：前者依赖锚框的尺度、比例和匹配策略，精度成熟但对超参敏感；后者直接预测中心点、关键点或边界，结构更简洁，但小目标和密集场景仍然更难。

压缩与部署要形成一条完整链路。 剪枝分结构化和非结构化，结构化剪枝才能真正减少计算量；量化把 FP32 降到 INT8，分训练后量化（PTQ）和量化感知训练（QAT），前者快但精度损失可能大，后者在训练中模拟量化误差；蒸馏让大模型指导小模型；低秩分解和轻量架构则从结构上减少参数。嵌入式部署的流程是模型转换、量化校准、算子适配、性能调优，常见坑是算子不支持、精度掉点、内存带宽瓶颈。回答量化追问时，要能说出对称/非对称量化的区别、校准集怎么选、精度下降后怎么逐层排查。

CTC、CLIP、Transformer 是三条不同的主线。 CTC 解决输入输出长度不一致的对齐问题，通过插入 blank、允许重复标签合并，再用前向后向算法对所有合法路径求和，训练目标是最大化正确序列的后验概率。CLIP 用图像编码器和文本编码器做对比学习，把配对的图文拉近、非配对推远，从而支持零样本分类。Transformer 的核心是缩放点积自注意力和多头机制，加上位置编码、残差、LayerNorm 和前馈网络；编码器负责理解，解码器负责自回归生成。大模型趋势可以从 Scaling Law、涌现能力、RLHF/DPO、MoE 和多模态几条线讲，但每条都要能落到具体模型或现象。

HR 面是在确认“你是谁、能不能留”。 三个词概括想共事的人，最好选和岗位相关的特质，比如专业、坦诚、有担当，每个词配一个短例子。学习态度转变要讲真实转折点，重点放在你后来做了什么、持续了多久，而不是只讲一个励志故事。优缺点不要用“太追求完美”这类套路，缺点要真实、可控，并说明改进动作。被问最快实习时间、工作地点和家庭情况，回答要明确、前后一致；反问可以问团队核心方向、算法岗的日常节奏和新人培养方式。