面试评分表与考核维度解读
面试官通过技术深度、项目经验、沟通能力、学习能力四个核心维度综合评估候选人。理解各维度权重与考察方式，才能针对性准备。
考核维度全景表
| 维度 | 定义 | 面试官关注点 |
|---|---|---|
| 技术深度 | 对算法原理、模型细节的底层理解 | 能否手推公式？能否讲清Attention、Diffusion机制？ |
| 项目经验 | 实际落地项目的复杂度与个人贡献 | 数据规模、模型参数量、业务指标提升、是否端到端交付 |
| 沟通能力 | 表达逻辑清晰、跨团队协作顺畅 | 是否使用STAR结构？能否把技术难点讲给非技术人员？ |
| 学习能力 | 快速跟进前沿技术，持续迭代方法论 | 最近阅读哪篇？如何验证？对新技术是否有批判性思考？ |
高分回答框架
回答任何开放性问题时，遵循以下四步法可大幅提升结构化程度：
面试问答卡片
卡片1：项目经验维度
面试问题：请用 STAR 法则描述你参与过的一个 AIGC 项目，并说明你的技术贡献。
面试官考察点：
- 是否掌握结构化表达（STAR）
- 项目规模与个人角色是否匹配
- 技术难点是否真实且有深度
回答框架：
- S（情境）：项目背景与业务目标
- T（任务）：你承担的职责与目标
- A（行动）：具体技术方案与创新点
- R（结果）：可量化的提升 + 反思
简短示例回答：
S：负责电商 AI 模特换装项目，需要生成高保真试穿效果图。
T：解决复杂衣纹变形与背景融合问题。
A：提出基于 ControlNet 的分层引导生成方案，设计局部注意力掩码。
R：换装通过率提升 22%，推理速度优化 35%。
可能追问：
- 你的方案相比传统 GAN 有什么具体优势？还尝试过哪些方法？
- 数据量多大？如何处理遮挡与多姿态？
- 这个模型如何部署？推理资源消耗多少？
避坑提醒：不要只罗列技术名词，必须说明你在其中的独立贡献和决策逻辑；量避免“团队做了”的模糊表达。
卡片2：技术深度维度
面试问题：解释一下 Diffusion 模型与 GAN 在图像生成上的核心区别，以及各自的优劣。
面试官考察点：
- 是否理解两种范式背后的概率图建模差异
- 能否从理论收敛性、训练稳定性维度对比
- 是否关注过近期融合方法（如
Diffusion+GAN）
回答框架：
- 原理区别：GAN 通过对抗训练隐式拟合分布；Diffusion 通过逐步加噪—去噪显式建模
- 关键差异表：训练稳定性、采样速度、模式覆盖、可控性
- 优劣总结：GAN 轻量实时，易模式坍塌；Diffusion 质量高，但推理慢
简短示例回答：
核心区别：GAN 是隐式生成（min-max 博弈），Diffusion 是显式似然最大化。GAN 训练不稳定、易 mode collapse，但采样一步到位；Diffusion 训练稳定、覆盖全模式，但需要多步采样。近期工作如 Latent Diffusion 平衡两者，GAN+Diffusion 融合能加速采样。
可能追问：
- Diffusion 的噪声调度如何影响生成质量？
- DDIM 和 DDPM 的区别？
- 让你选一个做产品，你会如何决策？
避坑提醒：避免只背概念而不谈适用场景；面试官期望你展示 trade-off 思维，而不是单纯评价谁更好。
卡片3：学习能力维度
面试问题：如果模型线上效果不如预期，你会如何排查和优化？请描述你的分析流程。
面试官考察点：
- 系统化的 debug 方法论
- 是否具备数据、模型、部署的全链路认知
- 能否运用因果推断或 A/B 验证
回答框架：
- 数据层：检查分布漂移、标签噪声、长尾问题
- 模型层：过拟合验证、梯度/损失曲线、特征可视化
- 部署层：服务端与离线指标是否对齐、预处理差异
- 优化方向：增量学习、模型压缩、规则兜底
简短示例回答：
先对比离线指标与线上数据分布，用 KL 散度检测漂移；然后拆分流量做 shadow 测试，确认推理一致性；若未对齐，检查预处理与后处理逻辑。最终发现线上请求中 10% 数据质量过低，增加清洗规则后效果回升。
可能追问：
- 具体如何量化数据漂移？阈值怎么定？
- 如果模型本身的泛化能力不足，你有哪些“低成本”优化手段？
- 你怎么判断当前问题应该由算法改进还是规则弥补？
避坑提醒：不要只回答“调整参数”或“加数据”；要展现分层排查的逻辑，以及投入产出比的权衡能力。
STAR+量化。框架是骨架，场景化的细节才是血肉。