如果投的岗位对后端技术栈有一两条要求，你没有相关经历但业务还是放了简历进来，最好针对 JD 里那两条单独准备一下。其实就算 JD 没写死，HTTP、流式、异步这类也算互联网底座，有时间还是摸一遍皮毛，面试里至少能接住话头、显得你是主动补过的人。没正经后端经历的（比如我），体感是面试官一般不会往死里抠实现细节，更在意知识广度和积极性：你有没有针对他们的栈新学东西、工作之余有没有继续啃。忙成狗还得学，

车载摄像头按安装位置分为4大类，高阶自动驾驶车型常规配置：ADS前视摄像头7~10颗，侧视+后视摄像头合计5颗，车型配置差异主要集中在前视摄像头。车载摄像头硬件核心由5大组件构成，成像核心链路：光线→光学镜头→红外滤光片→图像传感器（光电转换）→ISP（信号处理）→串行器→域控制器。，当前所有主流自动驾驶方案均无去摄像头的设计，仅存在去激光雷达/毫米波雷达的方案。车载摄像头是自动驾驶。

模型权重（量化决定）运行临时开销表格数值是最小配置的实测值，权重做了模型优化，叠加极小动态显存默认20GB是正常对话配置，权重无优化+全量动态显存。

这段看似简单的 GLM-4-9B 加载代码，其实整合了本地模型读取、低内存优化、量化压缩、推理模式切换等核心能力。解决显存不足问题；保护内存不崩溃；保证 GLM 模型正常加载；.eval()让模型专注于对话生成。对于小白来说，不用深究复杂的底层算法，记住这套参数组合，就能用最低的硬件配置，流畅运行 GLM-4-9B-chat 大模型。

假期没事捣鼓了一个面试题库。

要真正掌握 NumPy，仅了解语法是不够的。多实践：在 Jupyter Notebook 中反复尝试代码，观察结果。阅读官方文档：遇到函数不清楚时，查阅 https://numpy.org/doc/stable/ 是最可靠的方式。分析大型项目：查看 Pandas、Scikit-learn 等库的源码，学习它们如何高效使用 NumPy。刻意练习：尝试用纯 NumPy 实现一些小型算法（如线性回归、P

模型训练逻辑核心优势适合场景CLIP全局排名赛：在所有样本中找最佳匹配零样本能力强，开创性强资源充足（超大算力+大显存），追求开创性研究SigLip成对判断题：只看这对图文是否匹配效率高、批量灵活、效果好实际应用（产品落地）、资源有限、大规模训练简单说：CLIP是“开创者”，SigLip是“优化者”——站在CLIP的肩膀上，用更聪明的训练方式，让多模态模型更高效、更稳定、更易落地。

知识蒸馏就是让轻量化小模型站在大模型的“肩膀上”，不用自己从头摸索，直接学到大模型的深层检测知识，最终实现「小模型的速度，大模型的精度」，是机器人等端侧设备目标检测轻量化的核心方法之一。

模型优化与特定场景。

深度学习是一个人工智能（AI）相关领域，用于教计算机以受人脑启发的方式处理数据。深度学习模型可以识别复杂的图片、文本和声音等数据模式，从而生成准确的见解和预测。神经网络是深度学习的底层技术。它由分层结构中的互连节点或神经元组成。节点在协调的自适应系统中处理数据。它们会就生成的输出交换反馈，从错误中学习，然后持续地改进。因此，人工神经网络是深度学习系统的核心。深度学习和神经网络这两个术语可以互换使用