图森未来2020校招笔试卷一这份题目在自动驾驶算法岗求职圈里一直挺有分量的。虽然叫“2020”但直到现在仍然值得拿出来仔细拆一下——毕竟图森是搞L4级无人驾驶卡车的笔试重点向来很明确图像处理、深度学习、C、概率统计基本功外加少量工程思维题。跟那些纯刷LeetCode的互联网公司不同图森的卷子更偏向“你能否在自动驾驶的日常里解决实际问题”。准备他家笔试光刷题是不够的得带着场景感去复习。我结合多年做自动驾驶算法开发和辅导校招候选人的经验把当时这份卷子的题型结构、核心考点、典型题目和解法思路以及背后考察的能力模型整理成了一份可以“抄作业”的复习框架。无论你是准备投图森还是想摸清自动驾驶算法岗笔试的门道这篇文章都值得花二十分钟完整过一遍。1. 内容整体设计与思路拆解先说个总体印象。图森这套笔试卷一的整体设计和很多大厂算法岗的笔试题有明显区别。互联网公司往往重算法题一上来就是两道Hard难度的手撕代码而图森的卷子更偏向基础功底和场景迁移能力。1.1 核心需求解析图森想招什么样的人从这份卷子的结构能看出图森校招核心筛的是四个维度的能力计算机视觉基础、深度学习理论与实践结合的扎实度、C编程能力和数值计算能力以及用系统思维拆解真实工程问题的能力。图森做的是L4级自动驾驶卡车核心传感器是摄像头也有多传感器融合方案核心算法模块包括车道线检测、障碍物检测、可行驶区域分割、路径规划等。这意味着日常研发中大量涉及图像处理底层操作、网络结构设计、TensorRT/CUDA推理加速、C代码优化等等。笔试题目会双向筛选如果你在简历里写自己很懂视觉算法但笔试连透视变换、双线性插值都写不明白面试官很难信任你的实际动手能力。1.2 题量与题型分布逻辑这套卷子整体题量中等偏大我记得当时安排在120分钟以内不同批次可能有调整题型分布大致如下题型题量分值占比考察重心选择题15道左右30%图像处理、机器学习基础、概率统计简答题3-4道20%深度学习概念解释、技术选型理由手撕代码2道30%C编程、基础算法实现综合设计题1道20%自动驾驶场景下的系统设计思维这个分布其实是挺典型的“基础场景”双轮驱动。选择题快速区分你是否有MIT/名校科班出身应有的理论素养简答题看你会不会做技术选型手撕代码是真的要跑通综合题则看你能不能把一个模糊的自动驾驶问题拆解成可落地的模块。1.3 难度梯度设定从实际考过的反馈看选择题中前几道比较基础比如卷积输出尺寸计算、BN层作用、softmax数值稳定性等属于送分题中间开始上强度比如SVD分解的意义、光流场估计在视觉里程计中的应用最后几道选择题会涉及传感器融合中坐标系变换等综合性较强的知识点。这种递进式设计意图很明显先建立区分度再拉出梯度避免所有人分数挤在一起。手撕代码部分的时间分配也很讲究。第一道代码题相对简单大概LeetCode Medium偏低水平主要让大家拿分第二道就必须有一定功力了我当时遇到的是“图像局部阈值化”相关的问题后面细说需要在现场设计出时间复杂度合理的方案。2. 典型考点深度拆解与解题思路这一节把当年这份卷子中出现频率最高的几类考点展开讲讲。注意图森不同批次的笔试题目不完全一致但核心考点高度稳定。我把这些点按出现概率从高到低排列你复习时也按这个优先级来。2.1 图像处理底层操作透视变换与坐标映射图森的卷子很喜欢考察图像几何变换尤其是透视变换Perspective Transformation这个和自动驾驶里的车道线俯视图转换IPMInverse Perspective Mapping直接相关。题目通常会这样出给了原图上四个点坐标和变换后对应的四个点坐标要求写出变换矩阵的计算过程。解题思路要很清晰透视变换是一个3x3的矩阵包含8个自由度。因为变换是齐次坐标下的线性变换本质上是求解一个包含8个未知数的线性方程组。把四组对应点代入得到8个方程用高斯消元或SVD求解即可。这里有一个不少候选人会犯的错误把透视变换和仿射变换搞混。仿射变换保持平行性只有6个自由度3组对应点就能求解而透视变换不保证平行性必须用4组点。在自动驾驶IPM中地面上的平行车道线在图像中经透视投影后不再平行反向映射回来必须用透视变换用仿射变换会出现明显畸变。如果笔试中出现这类概念判断题这就是审查点。实操上还需要注意透视变换完成后一定要做插值。我当时答题时先写变换矩阵求解再写对目标图像逐像素做逆变换采样用双线性插值得到灰度值。双线性插值的公式要记牢取目标像素逆变换到原图的浮点坐标x, y用其周围四个整像素点加权平均权重分别为(1-dx)(1-dy)、(dx)(1-dy)、(1-dx)(dy)、(dx)(dy)。这里面最容易出错的就是dx和dy的方向定义建议写题时先在草稿纸上画清楚坐标系。// 双线性插值核心代码示意 float bilinearInterp(const cv::Mat img, float x, float y) { int x0 (int)floor(x); int y0 (int)floor(y); int x1 std::min(x0 1, img.cols - 1); int y1 std::min(y0 1, img.rows - 1); float dx x - x0; float dy y - y0; float val (1 - dx) * (1 - dy) * img.atuchar(y0, x0) dx * (1 - dy) * img.atuchar(y0, x1) (1 - dx) * dy * img.atuchar(y1, x0) dx * dy * img.atuchar(y1, x1); return val; }2.2 深度学习基础卷积、感受野与BN层卷子里的深度学习部分不会太偏门但考察得非常细。比如卷积输出尺寸计算这个公式看似简单但题目里经常会加入padding、dilation、stride三种参数同时变化的条件很多人现场一紧张就算错。输出尺寸公式是这样的对于输入尺寸W卷积核大小Kpadding为Pstride为Sdilation为D输出尺寸O (W 2P - D*(K-1) - 1) / S 1。注意这里是向下取整。在PyTorch里默认是floor除法但在TensorFlow里默认是floor这个细节笔试不考的话面试时很可能被追问提前搞清楚更好。还有一个高频考点是感受野计算。我记得很清楚有道题是给了一个三层卷积构成的网络每层卷积核大小为3x3stride为1问最后一层特征图上每个像素对应原图的感受野大小。这个问题要用递推方式解决初始感受野为1每经过一层新的卷积感受野RF_new RF_old (K - 1) * stride_effective其中stride_effective是之前所有层stride的乘积。三层3x3卷积stride1感受野就是1 2 2 2 7。如果你理解了递推逻辑哪怕网络变成5层、stride变成2也能轻松算出来。BN层Batch Normalization的考察也很有深度。常见考法是问BN层在训练和推理时行为有何不同。训练时BN用当前batch的均值和方差做归一化并且维护全局的滑动平均均值和方差推理时BN使用训练阶段累积的全局统计量而不是当前batch的。这个点初学者很容易忽略但在实际部署中坑非常大——我曾经见过训练好的模型在推理阶段因为错误使用了batch内统计量导致检测精度暴跌的情况。再深一层图森的题可能会问你BN层能不能用在batch size为1的场景答案是可以但不建议直接套用需要做特殊处理比如SyncBN多卡同步统计量或者用Group Normalization替代。这种题本质上是考你对BN本质的理解——它既做归一化又做分布调整两个功能的解耦思路在论文中经常被讨论答题时如果能点出这一层会让阅卷人觉得你真的懂。2.3 概率论与数值计算稳定性自动驾驶算法岗笔试卷里出现概率题太正常了毕竟感知模块的置信度输出、传感器融合中的贝叶斯更新、卡尔曼滤波全都离不开概率论。图森卷子里常考的典型概率题包括贝叶斯公式应用、高斯分布的性质、大数定律与中心极限定理、最大似然估计等。有一道经典的贝叶斯题是这样的自动驾驶在雨天传感器的检测准确率为90%误报率为5%车辆实际出现的先验概率为1%。如果传感器报告“前方有车辆”问实际有车辆的概率是多少这就直接用贝叶斯公式P(有车|报告) P(报告|有车)P(有车) / P(报告)。分母P(报告) 0.90.01 0.05*0.99 0.0585分子 0.009结果约为15.4%。很多人第一反应是90%但实际上先验概率的拉低效应非常明显。这在真实自动驾驶场景中也有指导意义传感器置信度必须和先验模型结合才能得到有意义的后验判断。数值计算稳定性也是图森笔试里暗戳戳考察的点。软最大化函数Softmax的数值稳定性题目出现过不止一次。问题是直接计算 exp(x) 当 x 很大时会溢出怎么办标准做法是每个元素减去最大值后再计算softmax因为softmax是平移不变的分子分母同时除以exp(max)结果不变但数值范围被限制住了。2.4 C题目内存、指针与STL细节图森对 C 的要求在自动驾驶公司里算比较高的。笔试代码题可以用Python但选择题和简答题中会直接考察C的底层原理。常考的点包括智能指针种类与适用场景unique_ptr、shared_ptr、weak_ptr、vector底层扩容机制与迭代器失效、虚函数与多态的实现原理、左值右值与移动语义。其中最容易翻车的是智能指针题。题目会问多个shared_ptr指向同一对象时对象在什么时候析构答案是引用计数降为0时。如果把一个shared_ptr赋值给另一个引用计数加1如果在一个线程中析构了shared_ptr而另一个线程正在使用它指向的资源会怎么样标准答案是shared_ptr的引用计数是线程安全的但其所指向资源的读写并不保证线程安全。这里被追问时一定要说清楚引用计数的加减是原子操作但资源本身的并发访问需要另外加锁。vector扩容机制也常考当size() capacity()时push_back会发生什么标准库实现通常是capacity增加为原来的两倍不同实现有差异比如MSVC是1.5倍此时所有已存在的元素会被移动或拷贝到新的内存空间随后旧内存被释放指向旧内存的迭代器、指针、引用全部失效。这个知识点看起来简单但很多人笔试时没答出“迭代器失效”这个关键后果。2.5 综合设计题一个典型的自动驾驶场景题综合设计题是整张卷子的压轴通常是一个开放性问题。我见过一道很有代表性的假设在高速公路上你部署了一个目标检测模型但发现它在雨天或夜晚等场景下性能明显下降请问你会如何设计一套解决方案请给出完整的处理流程和模块划分。这种题没有标准答案但考察的是系统设计能力。我建议答题时从数据、算法、工程三个层面展开形成一个闭环数据层面补充雨天、夜晚的仿真数据和真实数据做数据增强亮度变化、模糊模拟、雨滴噪声叠加。尤其要说明与生成对抗网络结合生成雨雾样本是当前业界常用思路但必须用真实数据做验证否则容易引入伪影。算法层面可以提出模型改进方案比如加入图像增强预处理模块利用图像恢复网络先做去雨/去雾再接检测网络或者设计多任务学习框架让模型同时学习目标检测和可行驶区域分割共享特征提取骨干网络互相促进。同时建议使用时序信息利用视频帧间的光流信息做追踪辅助缓解单帧检测的波动。工程层面引入置信度校准模块在恶劣天气下降低模型输出的置信度阈值下限建立异常检测机制当检测结果跳变剧烈时自动切换备用模型或降低自动驾驶等级。很重要的一点是要明确安全兜底策略——在极端场景下宁可保守停车也不要盲目决策。我在辅导候选人时反复强调设计题一定不要只写方案要写完整的技术栈包括数据流图文字描述、模型结构、训练策略、评估指标、部署注意事项。图森的面试官想看到的是一个能独立负责项目的人而不是一个只会跑开源代码的调包侠。3. 手撕代码题的实战复盘这部分我挑两道出现概率最高的代码题完整还原解题过程。代码统一以C为例因为图森大部分工程栈是C你面试时如果主动用C写会加分。3.1 手撕题一实现一个简单的车道线检测核心步骤这道题通常以函数填空或完整实现的形式出现要求大致是输入一张灰度图输出二值化图背景为0车道线像素为255。常用方案是边缘检测阈值分割但更接近真实工程的是自适应阈值方法。我当时的解法思路是这样的第一步是高斯滤波去噪。这一步必须做不做的话后续阈值分割会有大量椒盐噪声。用5x5高斯核sigma默认取1.0做卷积。如果为了在笔试环境下减少代码量可以直接用三次盒式滤波近似高斯滤波效果不算差但能写出真正的高斯卷积核会更专业。第二步是计算梯度幅值我选择了Sobel算子而不是Canny完整流程因为Canny的滞后双阈值参数太敏感笔试环境没时间调参。Sobel在x和y方向各做一次卷积再用平方和开方得到梯度幅值图。第三步是自适应阈值分割。这里有个关键技巧固定阈值比如所有大于100的像素点设为255在光照变化明显的场景下很容易失效。更稳妥的做法是使用大津法OTSU自动计算阈值。大津法的原理是找到一个灰度阈值使得前景与背景两类像素的类间方差最大化。它的好处是无需人工指定阈值完全由图像本身的灰度分布决定。我用C实现了大津法核心代码就二三十行int otsuThreshold(const std::vectorint histogram, int total) { float sum 0.0f; for (int i 0; i 256; i) sum i * histogram[i]; float sumB 0.0f; int wB 0; float maxVar 0.0f; int threshold 0; for (int t 0; t 256; t) { wB histogram[t]; if (wB 0) continue; int wF total - wB; if (wF 0) break; sumB t * histogram[t]; float mB sumB / wB; float mF (sum - sumB) / wF; float var (float)wB * wF * (mB - mF) * (mB - mF); if (var maxVar) { maxVar var; threshold t; } } return threshold; }第四步根据阈值做二值化。最终输出车道线区域为白色背景为黑色。这道题的核心考点不是你会不会调OpenCV的cv::Canny而是能否在没有现成API的情况下自己把图像处理链路走通。我在笔试时看到题目要求“不能调用OpenCV的高级算法接口只能使用基础数据结构实现”时就知道这是在做减法考验的是基本功。3.2 手撕题二双指针或滑动窗口的变体图森的代码题不会出标准的LeetCode原题但万变不离其宗。有一道流传比较广的题目是给定一个数组和一个目标值找到满足某种条件的最短子数组长度。这本质上就是LeetCode的“长度最小的子数组”LeetCode 209双指针滑动窗口的经典应用。不过图森会加一层包装常见做法是把数组包装成“一维道路上的检测置信度序列”把目标值设为“最小置信度阈值”要求找到“能覆盖所有高置信度目标的最短区间”。视觉算法岗的人对这类场景应该不陌生——检测模型输出一系列框的置信度分数寻找一段连续性置信度较高的区域实际上就是在做时间维度的平滑决策。解题思路就是用左右两个指针维护一个窗口窗口右边界向右扩展当窗口内数值和或条件满足要求时尝试缩小左边界记录最短长度。C实现如下int shortestSubarray(const std::vectorint nums, int target) { int n nums.size(); int left 0, sum 0; int ans n 1; for (int right 0; right n; right) { sum nums[right]; while (sum target) { ans std::min(ans, right - left 1); sum - nums[left]; left; } } return ans n 1 ? 0 : ans; }这里要注意的是while循环的退出条件。如果你写成if而不是while就会漏掉左边界可以继续收缩的情况得到的是“第一个满足条件的窗口”而不是“最短窗口”。这个细节在笔试时容易被忽视但从实际体验看几乎每个候选人都会被追问这一步。3.3 从笔试代码到真实工程一个容易忽略的优化点笔试代码通常侧重于正确性但图森的阅卷人对代码可读性和复杂度也会打印象分。举一个具体的细节滑动窗口题中如果你是直接在原数组上操作需要明确说明不修改输入数据或者用值传递而非引用传递来保护原始数据。在工程上这种习惯非常重要因为自动驾驶的底层模块往往被多个线程调用修改输入缓冲区可能导致难以排查的并发问题。另外如果你在笔试中用了STL容器记得分析操作的复杂度。比如unordered_map的查找是O(1)平均但最坏O(n)std::vector的push_back均摊O(1)。这些复杂度分析写不写是区分“会调库”和“懂底层”的重要标志。4. 常见问题与避坑指南每次有人跟我聊起图森笔试总会提到一些“看起来会但现场翻车”的细节。我整理了几个高频翻车点分别从笔试策略和知识盲区两个角度来说。4.1 笔试策略类问题第一个常见问题是时间分配失衡。很多人死在选择题上一道不确定的题纠结了七八分钟导致后面代码题完全没时间写。我的建议是遇到拿不准的选择题先标记跳过按“选一个最可能的答案”处理等代码题全部写完、能跑通后再回头纠结。核心原因是代码题有步骤分和运行分一道完整实现能拿到的分远高于一道选择题。以这套卷子的分值比例计算手撕代码两道题加起来占30%性价比远高于每道只有2分左右的选择题。第二个问题是不读题。综合设计题里经常有很多限定条件比如“在计算资源受限的嵌入式平台上”或者“不允许使用第三方库”。如果你没看到这些限制直接抛出一个需要顶尖GPU和CUDA优化才能跑动的方案就会被判定为方案不可落地。建议拿到综合题先花两分钟把题目的限定条件圈出来再组织回答框架。第三个问题很隐蔽但很致命代码题不写注释或写得太少。笔试阅卷人看的不只是你是否运行正确还在快速判断你的编码习惯。图森这类公司尤其看重代码的工程规范性。核心函数的关键逻辑处写上两行注释说明思路哪怕运行结果有瑕疵阅卷人也更愿意给分。这一点是很多ACM竞赛出身的候选人容易忽略的——竞赛解法追求简洁工程解法追求可读性。4.2 知识盲区类问题下面这个列表是我觉得图森笔试最常见的知识盲区每一条背后都有人栽过跟头。考点常见误区正确理解透视变换与仿射变换混淆两者的自由度与性质透视有8自由度不保持平行性仿射有6自由度保持平行性感受野逆推认为感受野是卷积核尺寸简单累加需乘以前面所有层的stride连乘积BN训练与推理差异推理时仍使用当前batch统计量推理必须用训练阶段累积的全局均值/方差双线性插值坐标方向dx/dy方向搞反导致图像整体偏移dx为浮点坐标的小数部分对应x方向权重大津法原理只知道能用不知道最大化的是类间方差遍历灰度级找使类间方差最大的阈值shared_ptr线程安全以为资源读写线程安全只有引用计数本身原子安全资源访问需外部加锁vector扩容后迭代器忘记旧迭代器全部失效capacity翻倍时元素搬迁旧地址迭代器全部失效这里面特别想展开的是感受野那一条。真实面试中我遇到过候选人能把计算公式倒背如流但给他一个具体的VGG网络结构让他手动算第5层特征图感受野就算错了。原因在于他们没有理解“stride的乘积”这个递推本质。正确的思路是从特征图往输入层方向倒推每一步的等效步长等于之前所有层stride的连乘感受野增量等于(该层卷积核尺寸-1)×等效步长。4.3 OpenCV接口的“裸用”陷阱图森笔试明确不让用OpenCV高级接口的情况我见过但更多时候题目说“你可以使用常用图像处理库”。这时会有一个误区直接cv::Canny一条龙搞定结果题目真正考察的梯度计算和阈值逻辑完全没体现出来代码是能跑但分数几乎为零。我的建议是即使允许调库也要手动实现关键环节或者在注释里写明“如果放开库函数限制这里将用cv::Canny代替核心参数为threshold150, threshold2150。”这样既展示了工程效率又让阅卷人看到你对底层原理的理解两头都占。具体来说笔试中能安全调用的库函数包括cv::Mat的基础数据操作访问像素、拷贝、尺寸获取、cv::GaussianBlur这个可以调但要做好sigma参数说明、cv::Sobel可调但最好写出手动卷积的代码、cv::findContours如果题目涉及轮廓分析。不适合裸调的包括cv::Canny、cv::HoughLines、cv::warpPerspective这些算法内部逻辑复杂图森的题大概率是希望你自己推一遍。4.4 综合设计题的回答框架最后单独讲讲综合设计题。很多人遇到开放题就大脑空白或者三两句就答完。我建议无论题目怎么变都按照“问题界定-分模块拆解-融合决策-验证迭代”四步来组织。问题界定这一步最容易丢分。比如题目问“如何提升雨天检测性能”你需要先明确性能下降的具体表现是漏检还是误检针对不同表现的设计重点完全不同。漏检问题往往需要增强网络特征提取能力误检问题往往需要后处理策略优化或置信度校准。不界定清楚就设计方案等于在没目标的情况下打靶。分模块拆解要形成闭环感知模块负责检测融合模块负责多帧或多传感器一致性校验决策模块负责最终的降级策略。每一步之间要有数据流关系而不是孤立的模块列表。融合决策里可以提到卡尔曼滤波或匈牙利匹配做帧间目标关联这些是自动驾驶感知领域的常识性方案。验证迭代部分要讲清楚评估指标。单纯说“精度上升了”等于没说。要用mAP、F1-score、误报率、漏报率等多个指标综合衡量尤其要关注困难样本雨天夜景的远距离小目标上的单独性能而不是只看整体精度。5. 备考策略与扩展思考讲完了卷子本身再聊聊备考方法。毕竟笔试只是第一关之后还有面试备考的整体思路非常重要。5.1 三个月备考时间线建议我把备考周期分成三个阶段每阶段四周左右适合大三或研二学生利用业余时间准备。第一阶段约4周夯实基础。以教材为主视觉方向刷一遍《数字图像处理》冈萨雷斯重点看几何变换、滤波、边缘检测、阈值分割深度学习方向把花书《深度学习》的第6-9章过一遍重点是卷积网络、优化算法和正则化C方向推荐《Effective Modern C》的前半部分重点学业智能指针、移动语义、lambda表达式。同时开始每天刷2道LeetCode中档题保持手感。第二阶段约4周专项突破。主攻自动驾驶场景的算法实现。用OpenCV独立实现车道线检测完整流程灰度化、高斯滤波、边缘检测、ROI提取、霍夫变换、拟合、实现目标检测模型从训练到TensorRT部署的完整流程、手写一个简单的卡尔曼滤波并应用到一维匀速运动追踪。此阶段重点是“亲手把每个环节跑通”而不是看教程。第三阶段约4周模拟笔试与总结。每周掐表做一套模拟卷模拟卷来源可以是各厂真题或者自己组合。做完后对每道错题分析原因整理成错题本。同时准备技术面试的STAR项目故事因为笔试通过后大概率进入面试环节你需要能把自己简历上的每个项目讲清楚动机、方案、结果、反思。5.2 经典参考书与学习路线如果你目前还在大一或大二时间充裕我的建议是多读一些“硬核”书籍而不是只刷短视频教程。图像处理和视觉方向冈萨雷斯的《数字图像处理》和《计算机视觉算法与应用》Richard Szeliski都值得精读深度学习方向花书和《动手学深度学习》Dive into Deep Learning搭配使用效果最好C方向C Primer第五版作为总体教材Effective Modern C作为进阶再到《深度探索C对象模型》补足底层机制理解。对于自动驾驶系统级知识我推荐《自动驾驶系统设计》书籍名或相关课程尽管图森的笔试不会直接考车辆动力学或规划控制细节但如果你在综合设计题里能提到感知、规划、控制的完整链路会让面试官对你的技术视野加分不少。5.3 从笔试题目反推技术趋势最后聊一点延伸思考。通过这套卷子的考点分布你其实能看出图森这类自动驾驶公司在研发侧的技术趋势他们越来越关注模型在真实物理世界的鲁棒性和可部署性而不是纯粹追求最先进指标。比如考察透视变换是因为IPM在车道线感知中不可或缺考察数值稳定性是因为在嵌入式平台浮点计算溢出会导致灾难性后果考察BN层训练与推理差异是因为模型部署阶段踩过太多坑。这些都是单纯做竞赛题学不到的东西。所以我在带候选人时反复强调“不要只学和题目直接相关的知识点要把题目放回整个自动驾驶技术栈里想清楚它在什么场景下为什么会被考到”。如果你在笔试时能时不时在答案中自然带出“这样处理的好处是在部署到Orin平台时可以减少显存占用”或“这个设计可以降低推理延迟满足实时性要求”阅卷人会明显感受到你有工程直觉这比多写一种解法更能加分。5.4 备考过程中的心态调整备考校招笔试是场持久战心态崩了才是最大的问题。我见过不少背景不错的同学因为一两次模拟笔试分数不佳就陷入自我怀疑最后连正式笔试都发挥失常。这里分享两个实际有效的心态调整方法。第一个方法是“分解目标法”。不要想着笔试一共150分满分要拿130而是设一个阶梯目标第一目标是代码题至少一题完整跑通第二目标是选择题正确率达到70%第三目标是综合题给出完整框架。每完成一个阶梯给自己正向反馈。笔试本身的淘汰率虽然不低但很多人其实不是输在技术上而是输在心态上把目标拆细你就能稳住节奏。第二个方法是“考后复盘”。每次模拟笔试结束不管成绩如何花30分钟复盘错题。复盘时不要只写在“正确解法是什么”还要写“我当时为什么会往错误方向走”。这一步很有价值因为很多人反复错在同一类思维定式上比如拿到图像题总想用深度学习模型忽略了经典图像处理算法更轻量有效的可能性。定期复盘能让你逐渐意识到自己的思维盲区正式考试时就会避开同样的坑。5.5 笔试之后的衔接准备笔试结束不代表万事大吉图森的招聘流程通常是笔试-技术面试-交叉面-HR面。笔试结束后建议趁热打铁准备几块内容。一是把你笔试中写得不完美的题重新实现一遍优化到你自己满意的程度。这一方面能提升代码功底另一方面也是面试时很好的谈资——如果你能在面试中说“我笔试时用了O(n²)的暴力解法复盘后优化到了O(n log n)”面试官会觉得你的学习能力和自驱力都很强。二是准备项目深挖问题。图森面试官擅长从你做的项目细节一路追问到底层原理。如果你项目里用过目标检测模型准备好被追问NMS的实现细节是什么能不能手写输入图片分辨率变化时Anchor尺寸需要怎么调整这些追问没有套路只能靠你对自己项目的深入理解来应对。三是对公司技术路线有一定了解。图森是自动驾驶卡车赛道的代表性公司关注其传感器方案、高速公路场景下的感知策略、以及车路协同方面的布局在面试交流中提到这些点会让面试官觉得你是有备而来的同行人而不是随手海投的过客。