分页题目
字节跳动相关面试题第 4 页
如何缓解过拟合？
缓解过拟合要从数据、模型容量、正则化、训练策略和评估切片一起回答，核心是降低模型对训练集噪声和偶然模式的依赖。
同题还出现在 1 个公司岗位
只能买卖一次时，如何计算股票最大收益？
一次买卖股票最大收益的核心是维护历史最低买入价，并在每一天尝试把当天价格作为卖出价更新最大利润。
分类问题常用的评价指标有哪些？
分类指标不是一串名词，而是一套围绕混淆矩阵、阈值、样本分布、排序质量、概率校准和业务损失的评价体系。
风险社区检测中，Louvain 和 LPA 应该如何选择？
这道题考察图算法在风控社区检测里的取舍。回答不要只背 Louvain 和 LPA 定义，要结合风险图的边权、噪声、稳定性、可解释性和处置成本说明：高精度离线团伙发现更偏 Louvain，超大规模快速扩散或候选扩展可用 LPA。
推荐系统中特征生产、样本快照和线上实时特征如何保持一致？
这道题考察推荐系统特征工程化能力。回答要围绕同一套特征定义、同一时间点语义、同一版本治理和同一监控闭环展开，核心是防止训练样本看到线上拿不到的未来信息，或线上实时特征和离线训练特征口径不一致。
ESMM模型里，CVR和CTR任务共享Embedding层，这个在代码层面具体是怎么实现的？
ESMM 中 CTR 和 CVR 任务共享 Embedding 的代码实现，本质是同一批稀疏特征经过同一组 Embedding layer 查表，得到共享底层表示，再分别进入 CTR tower 和 CVR tower。回答要讲清共享参数、前向路径、loss 设计和训练样本空间。
同题还出现在 1 个公司岗位
OCR 输出为什么要保留 bbox 和 spatial layout，后续如何给多模态理解模型使用？
这道题考察 OCR 结果如何从纯文本升级为可供多模态理解使用的结构化表示。回答重点不是检测识别算法，而是 text、bbox、reading order、confidence 和视觉区域如何一起进入下游模型。
LLM 微调项目里新数据加入后离线评估掉点，应该如何排查数据、训练和评估口径？
这道题考察 LLM 微调项目的掉点诊断能力。回答重点不是背 SFT 或 LoRA 方法名，而是把新数据引入后的数据 pipeline diff、质量和格式漂移、分布混合比例、训练 schedule、评估集回归、指标切片、Recall/Precision 取舍和上线决策串成一套可执行排查流程。
企业协作场景的 AI 智能伙伴如何设计评测集和指标体系？
这题考察企业协作 AI 助手的评测体系设计：评测集要覆盖真实协作任务、权限边界和长尾场景，指标要分层衡量任务完成、事实性、安全合规、效率、体验满意度和线上反馈闭环。
RAG 知识库如何做定期维护，什么时候应选 RAG 而不是 SFT？
这题考 RAG 知识库生命周期治理和 RAG/SFT 方案选择，回答要把数据更新、质量评估、检索效果和模型改造边界分开。
AI 产品满意度低的 bad case 如何定义、分层和处理？
这题考 AI 产品侧 badcase 运营和指标治理，回答要从满意度触发、问题分层、归因、优先级、短期止血和长期迭代闭环展开。
办公套件引入 AI 功能时如何平衡智能化和用户掌控感？
这题考办公套件 AI 的体验边界，回答要说明哪些地方让 AI 自动做，哪些地方必须保留用户确认、编辑、回退和权限控制。
AI 聊天产品如何评估好坏，哪些指标能衡量对话体验？
这题考 AI 聊天产品的指标体系，回答要把用户任务、对话体验、模型质量、系统性能、安全和 badcase 闭环串起来，而不是只说满意度或留存。
文档 AI 助手如何定义 MVP，并用上线指标指导迭代？
这题考文档 AI 助手的 MVP 定义和上线指标设计，回答要围绕文档场景、最小可用能力、用户采纳、质量评估和迭代闭环展开。
办公协作 LLM 新功能如何从用户痛点切入，并验证产品价值？
这题考办公协作 LLM 新功能的产品发现和价值验证，回答要从用户痛点、工作流、原型、定性定量验证和灰度护栏展开。示例只作为通用说明。
智能客服产品应如何设计数据指标来评估效果？
这题考智能客服产品的效果指标体系，回答要围绕用户问题是否被解决、AI 回答是否可靠、体验是否顺畅、成本是否可控以及线上实验闭环展开。
同公司岗位有 2 条面经记录
对话摘要生成任务如何设计评估指标，并处理长度控制、角色呼应和数据增强？
这题考对话摘要生成的评估和训练细节，答案要同时覆盖内容覆盖、事实一致、角色归因、长度控制、ROUGE 局限和数据增强风险。
RAG Embedding 召回出现误判时，如何定位并改进？
这题考 RAG 中 embedding 召回误判的诊断和改进，回答要区分误召回与漏召回，并用标注集、近邻检查、负样本、混合检索、rerank 和阈值策略闭环优化。
同题还出现在 1 个公司岗位
Agent 短期记忆应何时抽取、存放到哪里，并如何拼进 System Prompt？
这题考 Agent 短期记忆的工程链路，回答要区分对话缓冲、摘要、抽取事实和工具状态，并说明抽取时机、存储位置、Prompt 拼装顺序、预算控制和失效规则。
同题还出现在 2 个公司岗位
Agent 记忆出现过期或冲突事实时，如何更新、覆盖和回溯？
这题考 Agent 记忆过期和冲突事实的治理，回答要覆盖事实版本、来源置信度、用户确认、覆盖规则、tombstone、审计回溯和 Prompt 侧只使用当前有效记忆。
同题还出现在 1 个公司岗位
Agent 中模型调用、本地函数调用、MCP 调用和 Skill 调用有什么区别？
这题考 Agent 调用边界设计，回答重点是模型调用、本地函数调用、MCP 调用和 Skill 调用在调用方、协议、信任边界、生命周期和失败处理上的区别。
同题还出现在 1 个公司岗位
Claude Code 类代码 Agent 的 Memory 三层设计如何区分短期上下文、项目知识和长期偏好？
这题考代码 Agent 的记忆分层设计，回答重点是短期工作上下文、项目知识和长期偏好三层如何分工，以及如何更新、检索、隔离和防污染。
如何手写一个 Skill 系统，支持注册、发现和调用本地能力？
这题考手写 Skill 系统的最小实现，回答重点是注册、发现、参数校验、权限控制、调用分发、错误处理和可观测 trace。
PPO 和 GRPO 有什么区别，PPO 中的 Critic 模型如何训练？
这题考 PPO、GRPO 在大模型 RL 后训练中的优化框架差异，以及 PPO 里 Critic 如何用 rollout 回报学习价值估计。
同题还出现在 1 个公司岗位
RLHF/PPO 中为什么要用 KL 散度约束，过强或过弱会带来什么问题？
这题考 RLHF/PPO 中 KL 约束的作用，核心是限制策略偏离参考模型，平衡 reward 优化、语言质量、安全边界和训练稳定性。
大模型强化学习中 Reward 什么时候用规则，什么时候用奖励模型？
这题考大模型 RL 后训练中奖励信号的选型，重点是按可验证性、主观性、成本、覆盖范围和被投机风险决定用规则还是奖励模型。
大模型 RL 后训练中如何识别并缓解 reward hacking 和奖励坍缩？
这题考 RL 后训练的失效模式，回答重点是识别训练 reward 与真实质量背离，并用 reward 审计、约束、数据更新和独立评测缓解。
同题还出现在 2 个公司岗位
Agentic RL 项目中，如何判断 SFT 阶段已经可以进入 RL 后训练？
这题考 Agentic RL 的训练阶段判断，重点是 SFT 是否已经让模型具备稳定轨迹、工具协议、基础成功率和可评估 reward，再决定进入 RL。
Video-LLaMA 如何把视频、音频和语言模块连接成多模态理解模型？
这题考 Video-LLaMA 类视频多模态模型的模块连接方式，回答重点是视频帧编码、时间信息聚合、音频分支、投影对齐和语言模型生成。
LoRA 初始化和 rank 应如何选择，rank 过大或过小有什么影响？
这题考 LoRA 的低秩增量参数如何初始化和选 rank，重点是保持初始等价、控制容量成本，并用验证集判断欠拟合或过拟合。
BLIP-2 的两阶段训练流程和损失函数如何把视觉编码器接入语言模型？
这题考 BLIP-2 如何用两阶段训练把冻结视觉编码器接入冻结语言模型，回答重点是 Q-Former、图文对齐损失和语言建模损失的职责分工。
如何用代码实现 Multi-Head Cross-Attention，Q/K/V 的输入维度如何对齐？
这题考手写 Multi-Head Cross-Attention 的维度理解和实现顺序，回答重点是 Q 来自目标序列，K/V 来自条件序列，以及多头拆分、mask 和输出合并。
大模型基础训练阶段为什么不能直接用 SFT 代替预训练？
这题考基础预训练和 SFT 的目标差异，重点是预训练用海量多样语料学习通用能力，SFT 只是在已有底座上教指令格式和偏好行为。
CLIP 和 BEiT v3 在训练目标、输入建模和图文对齐方式上有什么区别？
这题考 CLIP 和 BEiT v3 的建模范式差异，回答重点是双塔对比学习、统一多模态建模、输入交互方式和适用任务取舍。
CLIP 的图文对比学习流程如何用伪代码表示？
这题考 CLIP 图文对比学习的训练流程，回答重点是 batch 内配对、图像/文本归一化向量、相似度矩阵、温度系数和对称交叉熵损失。
同题还出现在 1 个公司岗位
BEiT v3 相比 BEiT v2 的 embedding 设计有什么变化？
这题考 BEiT v3 相比 BEiT v2 在输入 embedding 和多模态建模上的变化，回答重点是从图像侧表示学习扩展到图像、文本和图文统一输入。
ViT 如何把 224x224x3 图像切成 patch 序列，sequence length 如何计算？
这题考 ViT 把图像切成 patch 后如何形成 token 序列，回答重点是 patch 数量、每个 patch 的展平维度、线性投影、位置编码和 CLS token。
同题还出现在 2 个公司岗位
Transformer 中绝对位置编码和相对位置编码如何实现，各自适合什么场景？
这题考 Transformer 位置信息注入方式，重点是绝对位置编码直接表示当前位置，相对位置编码在注意力中建模 token 间距离和方向。
同题还出现在 1 个公司岗位
BLIP 如何通过数据清洗和多任务损失提升图文训练数据质量？
这题考 BLIP 里数据 bootstrapping、噪声图文对清洗和多任务预训练目标的关系。回答要聚焦原始 BLIP，不要讲成 BLIP-2 的 Q-Former 两阶段训练。
多模态或大模型微调数据做质量过滤时，如何选择过滤模型和质量标准？
这题考数据质量治理，而不是问某家公司内部过滤器。回答要从规则、专用模型、跨模态一致性模型、LLM judge/reward model 和人工抽检的组合讲起。
同题还出现在 1 个公司岗位
Transformer FFN 为什么通常先升维再降维，这对表达能力和计算量有什么影响？
这题考 Transformer MLP/FFN 的基本机制：逐 token 的非线性变换、扩展中间维提升表达能力，再投回 hidden size 以便残差连接和层间堆叠。
AI 图像生成工具应定位为高效图片搜索引擎，还是激发灵感的创意伙伴？
这题考 AI 图像生成产品的定位取舍。高质量回答要从用户任务、确定性需求、探索性需求、产品形态和指标体系推导，而不是简单站队搜索或创意。
AIGC 图片工具如何通过产品功能系统性降低提示词门槛？
这题考产品经理能否把提示词门槛拆成可设计、可学习、可衡量的用户问题。答案应围绕输入脚手架、可视化选择、结果反推、迭代引导和学习闭环展开。
AI 图片生成用户首图满意但次日留存低时，产品经理如何搭建分析框架？
这题考面对“首图满意但 D1 低”的指标矛盾如何诊断。好的回答要拆漏斗、分场景、找下一次任务、验证满意度定义，并提出可实验的留存改进方向。
AI 图片生成产品提升留存时，如何实验比较出图效果优化和社区广场功能？
这题考留存实验设计，不是让候选人主观判断算法或社区谁更重要。答案要覆盖假设、随机单位、2x2 实验、主指标、护栏、网络效应和 rollout 决策。
AI 图像生成工具应按生成张数、算力时长还是高级功能订阅收费？
这题考 AI 图像生成产品的定价模型选择。好的回答要比较用户理解成本、成本匹配、价值捕获、留存影响和毛利护栏，并给出分层或混合方案。
抖音点赞功能如何设计测试用例，并在弱网、重试和状态一致性下验证结果？
这题考测试开发能否把一个看似简单的点赞按钮拆成状态机、一致性、弱网、并发和观测问题。好的答案要覆盖正常路径、边界路径、异常网络、重复操作、最终状态校验、自动化与监控，而不是只列点击前后图标变化。
Selenium WebDriver 的工作原理是什么，自动化脚本如何通过 WebDriver 协议驱动浏览器并定位元素？
这题考测试开发对 Selenium WebDriver 的机制理解。高质量回答要说明客户端脚本、WebDriver 协议、浏览器驱动、浏览器会话、元素引用、定位器、交互命令和等待同步之间的关系，并指出 Selenium 能做什么、不能保证什么。