新闻详情

新闻详情

首页 / 资讯中心 / 详情

2026复旦计智预推免面经

发布时间:2026/11/9 10:03:03来源:尧图网络
2026复旦计智预推免面经
总共持续了四天时间第一天去邯郸校区机试。邯郸校区很漂亮人文关怀与历史底蕴溢出。地铁站甚至修到了学校里面。机试去学校机房电脑上有VirtualStudio可以直接用但是如果用VS的话不能使用bits/stdc.h头文件此外scanf可能不能正常使用。机试一共五题提交之后只能看到你过的【测试样例】数目但是每道题目有若干【隐藏样例】。但其实大差不多可以简单推测一下自己每道题多少分。题目回忆如下1.扫雷给出网格地图里面有炸弹和非炸弹。让你给地图每个格子标上数字显示周围的炸弹数很简单签到。注意数据量很大需要在堆上开vector2.化学式元素统计。题目给出若干规则之后给出若干化学式包含括号和角标需要识别里面每个元素有多少个按顺序输出。使用递归/栈 有点类似于逆波兰表达式力扣上记得有类似的题目。比较难。3.最长公共子序列plus版。使用纯2维dp只能拿一半分空间不足。使用优化后的滚动dp可以拿80%的分数。但是想拿100%需要注意到题目里面写到【两个序列都是1-n的排列】这意味着他们序列内部不会有重复元素可以转化成最长递增子序列来做nlogn。确实比较难吧4.模拟LRU置换给出存储容量若干待存储数据每一次需要判断是不是可以命中已有重复数据如果可以直接命中不可以的话加入存储如果存储满了需要替换掉元素要求是【如果这个元素在后面数据队列中出现的很晚或不再出现把它优先替换掉】。本质模拟拿满分比较难5.没看晚上动态填报志愿截图如下第二天去江湾校区面试英语一共五分钟问的是比较家常的问题。首先一分钟自我介绍之后问了你做过最好的项目是什么你用到vibecoding了吗最后又问了你对国产大模型有了解吗比如kimiDeepSeek。主包拿豆包举例子说豆包比较emtional能体察用户的情感但是比较stupid给老师整笑了。总体氛围比较轻松老师比较年轻和蔼吧。第三天没抽到面试等待一天第四天江湾校区专业课面试压力面。会按照你报志愿的时候选择的方向安排面试间和老师进去之后老师围一排围着你你在中间只能带简历不能带ppt。进去先3min自我介绍分发简历。感觉只有一个老师在听我说的其他老师都在看简历还有在那交头接耳笑的......说完之后开始拷打因为老师都比较专业和严格传统的话术很难应付过他们建议不会的就说不会。主包被问到了你的项目核心创新点相比豆包你们的优势你们做过调研吗用户群体是去哪调研的调研的老人都多少岁你做过科研吗人机交互写论文的流程是什么。还有针对你项目的专业问题比如我被问到VLM的一些问题。总体来说比较汗流浃背老师态度都不太好可能是故意压力吧。被拷打完出来了感觉没戏了。后来因为直博还是获得名额了也是跟老师达成双选但是后面被老师鸽了无缘贵校。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/8 22:42:07

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/9 8:37:19

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/8 22:41:24

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/9 8:37:18

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/9 8:37:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉