第3章 自我介绍模板：1分钟与3分钟版本

面试问题 1：请用1分钟时间做自我介绍

面试官考察点：

• 时间管控与信息浓缩能力
• 技术栈与岗位JD的匹配度
• 是否能迅速抓住面试官兴趣
• 语言表达的逻辑性

回答框架：

1. 开场身份：姓名+学校/公司+研究方向（<12s）
2. 核心技术栈：列出与JD强相关的3~4个关键词（<15s）
3. 项目亮点：只说一个项目，用 “指标+难点+方法” 三要素（<25s）
4. 动机收尾：为什么投递该岗位（<10s）

简短示例回答：

面试官好，我是李华，清华计算机硕士，研究方向是视觉大模型。熟练掌握PyTorch、TensorRT、LoRA微调与分布式训练。在实习中主导过电商图片检索项目，使用对比学习将召回率从78%提升至91%，解决了图搜不准的痛点。贵司在AIGC领域的前沿布局非常吸引我，希望能加入团队继续深耕。

可能追问：

• 你提到的对比学习具体用了哪种损失函数？
• 91%的召回率是在多少数据集规模上得到的？
• TensorRT部署时遇到了什么问题？

面试问题 2：请用3分钟做自我介绍

面试官考察点：

• 项目深度与广度的平衡能力
• 技术跨领域迁移能力
• 是否具备独立研究/工程能力
• 个人特质与团队文化的匹配度

回答框架：

1. 开场身份+技术栈：比1分钟多讲一个细分方向（<30s）
2. 项目一（优势项目）：最匹配JD的项目完整STAR介绍（<40s）
3. 项目二（补充项目）：展现另一维度能力（<40s）
4. 个人特质+岗位动机：用1~2个具体行为佐证特质（<30s）

简短示例回答：

面试官好，我叫张磊，浙大博士，主攻点云感知与多模态融合。熟悉PointNet++、VoxelNeXt、ONNX转TensorRT。项目一是自动驾驶行人检测，采用动态体素化将mAP提升13%，延迟降低至22ms。项目二是端侧部署优化，通过模型剪枝+INT8量化，在Jetson Orin上达到56FPS。日常我会复现顶会并投稿，去年第一作者发表了一篇ICCV。希望能在贵司的实车项目中继续打磨落地能力。

可能追问：

• 动态体素化相比传统方法的计算开销如何？
• 剪枝和量化各自对精度的影响是多少？
• 复现顶会时遇到过代码不一致问题吗？

面试问题 3：请详细介绍一下你最成功的项目

面试官考察点：

• 项目在团队中的定位与个人贡献边界
• 面对技术困难时的决策与落地能力
• 是否具备系统化思考能力
• 可迁移经验与业务理解深度

回答框架（STAR结构）：

简短示例回答：

在电商搜索项目（S）中，我负责图向量召回（T）。针对长尾商品召回低的问题，设计了多尺度特征融合的对比学习方案，引入难样本挖掘策略（A）。最终召回率提升12%，头部曝光增加7个点，线上A/B测试GMV涨了4.5%（R）。

可能追问：

• 难样本挖掘的阈值是怎么设置的？
• 多尺度融合为什么不增加推理耗时？
• GMV涨了4.5%中召回贡献占比如何归因？

项目名称： 大规模短视频多标签分类系统

业务背景： 某头部短视频App需要自动理解视频内容，打上1000+细粒度标签，用于推荐与审核场景。

规模指标：

• 训练数据：1.2亿条视频片段（平均时长15秒）
• 标签数量：1,240个（含事件、物体、场景、人物）
• 模型参数：ViT-Large + 时序Transformer，总参数量3.2亿
• 线上QPS：8,000+，单次推理延迟<100ms

技术栈： PyTorch, DeepSpeed, ONNX Runtime, Faiss, TensorBoard, Kubernetes

核心难点：

• 长尾标签严重（Top-10标签占80%数据）
• 多标签之间相关性建模难（如“车展”与“美女”共现偏差）
• 推理延迟受限于时序Transformer的自注意力复杂度

面试高频追问：

• 怎么解决长尾标签训练不稳定？
• 多标签损失函数选择了哪一种（BCE、ASL、GCN-based）？
• 时序Transformer的序列长度多长？如何降低OOM？
• ONNX导出时遇到过哪些算子不支持？
• 标签之间的相关性你是怎么建模的？

可迁移回答话术：

• 长尾问题：“我们采用的是类别重采样 + 梯度均衡（GHM-C loss）的混合方案，对高频标签降低学习率，对低频标签做加权。”
• 延迟优化：“将时序Transformer改为局部注意力图，窗口大小设为8帧，同时把ViT backbone的特征降维到512维后再输入时序模块，浮点运算量降低了2.3倍。”
• 业务效果：“召回率整体达到85.7%，相对baseline提升18.4%，其中长尾标签召回率从39%提升至67%。”