分页解析
第 22 页面试题
筛选题目 公司、岗位、知识点
公司
公司岗位
岗位
标签
LLM 推理算子优化中，Memory Coalescing 和 Bank Conflict 分别是什么，如何影响显存访问效率？
这题考 CUDA 访存优化在 LLM 推理算子里的基本功。回答要把 GMEM 的连续合并访问、SMEM 的 bank 并行访问、warp 级访问模式和 profiling 现象连起来，而不是只背两个定义。
LLM 推理算子中，Tensor Core、WMMA 和 MMA 分别是什么，工程上如何选择使用层级？
这题考候选人是否理解 NVIDIA GPU 矩阵乘加的硬件、CUDA C++ 抽象和更底层指令接口。回答要能说明 Tensor Core 是硬件单元，WMMA 是较高层 CUDA API，MMA 是更贴近指令和 PTX 的矩阵乘加操作。
LLM 推理算子变慢时，如何判断瓶颈是 Memory Bound 还是 Compute Bound？
这题考算子性能诊断方法。回答要从理论 roofline、算术强度、实际 profiler 指标、stall reason 和优化方向闭环判断，而不是只说“看 GPU 利用率”。
单机多卡 LLM 推理中的分布式 GEMM 如何切分矩阵，并完成跨 GPU 通信？
这题考 tensor parallel 下 GEMM 切分和 collective communication 的基本工程理解。回答要能把矩阵维度切分、局部计算、AllReduce/AllGather/ReduceScatter、通信计算重叠和推理场景约束讲清楚。
LLM 推理服务如何做流量调度，兼顾模型副本、队列长度、KV 资源和延迟 SLO？
这题考 LLM 推理服务的请求路由和服务治理。回答要围绕模型副本选择、prefill/decode 队列、KV cache 资源、batching、优先级、SLO 和故障降级展开，避免泛泛而谈负载均衡。
AI 图像生成工具应定位为高效图片搜索引擎，还是激发灵感的创意伙伴？
这题考 AI 图像生成产品的定位取舍。高质量回答要从用户任务、确定性需求、探索性需求、产品形态和指标体系推导，而不是简单站队搜索或创意。
AIGC 图片工具如何通过产品功能系统性降低提示词门槛？
这题考产品经理能否把提示词门槛拆成可设计、可学习、可衡量的用户问题。答案应围绕输入脚手架、可视化选择、结果反推、迭代引导和学习闭环展开。
AI 图片生成用户首图满意但次日留存低时，产品经理如何搭建分析框架？
这题考面对“首图满意但 D1 低”的指标矛盾如何诊断。好的回答要拆漏斗、分场景、找下一次任务、验证满意度定义，并提出可实验的留存改进方向。
AI 图片生成产品提升留存时，如何实验比较出图效果优化和社区广场功能？
这题考留存实验设计，不是让候选人主观判断算法或社区谁更重要。答案要覆盖假设、随机单位、2x2 实验、主指标、护栏、网络效应和 rollout 决策。
AI 图像生成工具应按生成张数、算力时长还是高级功能订阅收费？
这题考 AI 图像生成产品的定价模型选择。好的回答要比较用户理解成本、成本匹配、价值捕获、留存影响和毛利护栏，并给出分层或混合方案。
电商广告视频 AIGC 上线前应如何定义内容、品牌、合规和用户体验红线？
这题考 AI 创作产品经理能否把“红线”从一句安全口号拆成可执行的上线准入标准。高质量回答应覆盖内容安全、商品与品牌真实性、广告合规、知识产权与隐私、用户体验护栏，以及审核、监控、申诉和回滚闭环。
抖音点赞功能如何设计测试用例，并在弱网、重试和状态一致性下验证结果？
这题考测试开发能否把一个看似简单的点赞按钮拆成状态机、一致性、弱网、并发和观测问题。好的答案要覆盖正常路径、边界路径、异常网络、重复操作、最终状态校验、自动化与监控，而不是只列点击前后图标变化。
AI 创作产品如何把模型 API 参数、上下文和链路配置转成产品可控的效果杠杆？
这题考产品经理是否能把模型能力翻译成可控产品体验。优秀答案要说明：不要把底层参数裸露给用户，而要按任务场景封装成模式、预设、质量档位、创作约束、成本/时延策略和安全策略，并通过离线评测、A/B 实验、监控和版本治理形成闭环。
Selenium WebDriver 的工作原理是什么，自动化脚本如何通过 WebDriver 协议驱动浏览器并定位元素？
这题考测试开发对 Selenium WebDriver 的机制理解。高质量回答要说明客户端脚本、WebDriver 协议、浏览器驱动、浏览器会话、元素引用、定位器、交互命令和等待同步之间的关系，并指出 Selenium 能做什么、不能保证什么。
电商广告文生视频或图生视频强调多镜头叙事与 15s 成片时，如何定义上线可用的效果目标？
这题考 AI 创作产品经理能否把“15 秒多镜头广告视频可用”定义成可评估目标。好的答案要同时看商业目标、叙事结构、商品和品牌一致性、镜头连续性、平台规格、用户体验、合规红线和线上效果闭环。
代码 Agent 的 RAG 检索索引如何同时设计语义、关键词、结构化和权限索引？
这题考代码 Agent 的 RAG 索引架构，不是泛泛讲向量库。回答要覆盖语义索引、关键词索引、结构化代码索引和权限索引如何协同检索、过滤、排序和增量更新。
大模型内容运营如何搭建标注规范、数据集和质量评测闭环？
这题考内容运营能否把大模型评测从零散打标升级为可复用的质量生产系统。高质量回答应覆盖目标定义、标注规范、样本集建设、标注质检、一致性度量、Prompt 评测和问题回流迭代。
AIGC 产品中 AI 与人工应如何分工协同，既提效又控制质量风险？
这题考 AIGC 产品经理能否把“AI 替代人工”改写成更成熟的人机协同系统。高质量回答应说明哪些任务交给 AI，哪些判断保留给人，哪些场景需要人工复核，以及如何用产品机制、指标和反馈闭环持续优化。
客户对大模型生成文案不满意时，AIGC 产品经理如何定位问题并推动改进？
这题考 AIGC 产品经理面对客户负反馈时的闭环能力。好的回答要先稳定客户和收集证据，再把不满意拆成质量、场景、输入、知识、合规、风格和预期管理问题，最后用评测集、产品能力和交付沟通推动改进。
LLM 长上下文推理中，KV Cache 压缩如何降低显存占用，和 Prefix Cache 的作用有什么区别？
这题考长上下文 LLM 推理中的显存管理。回答要把 Prefix Cache 的跨请求前缀复用和 KV Cache 压缩的单次/多次请求显存降载区分开，再说明压缩策略、精度损失、服务集成和评估指标。
AI 面试系统中，多轮对话记忆如何用 Redis 存储、过期和隔离？
这题考 AI 面试系统里的短期会话记忆设计。回答要围绕 Redis 如何保存多轮对话状态、控制 TTL、做用户/会话隔离、处理并发和失败恢复，不能泛化成抽象 Agent 记忆。
向量数据库在 AI 应用中数据量增大时，如何扩展索引、分片和召回性能？
这题考向量库从小规模知识库增长到大规模检索服务时的扩展思路。回答要覆盖容量评估、索引选择、分片分区、过滤与召回、在线更新、评估和成本延迟取舍。
Agent 自动生成 PPT 后，如何设计展示效果校验和自动迭代闭环？
这题考文档生成 Agent 的自验证闭环。回答要聚焦 PPT 渲染后的视觉效果、内容一致性、规则校验、多模态评估、人工审核和局部迭代，而不是泛泛说让模型再检查一遍。
有一个状态机模型时，如何设计状态、转移、异常路径和覆盖率测试？
这题考状态机测试的建模能力。高质量答案要先把状态机拆成状态、事件、转移、守卫条件和动作，再说明如何覆盖正常路径、非法转移、异常恢复、并发和持久化一致性，最后用覆盖矩阵和运行证据证明测试有效。
热搜应展示 10 条但页面只展示 9 条时，测试开发应如何定位前端、接口、排序和过滤链路问题？
这题考端到端定位能力。答案不能停留在“前端或后端都有可能”，而要说明如何固定复现条件，逐层核对接口响应、过滤去重、排序补位、客户端解析、渲染和日志，最终把缺失的一条定位到具体链路和可验证证据。
视频播放页面播放不出来时，如何从资源、播放器、网络、权限和兼容性角度设计排查测试？
这题考媒体播放链路的排查能力。答案要从资源是否可访问、媒体格式是否支持、播放器生命周期是否正确、网络和缓存是否异常、权限和设备策略是否阻断几层逐步定位，并说明每层可采集的断言和回归用例。
微信转账功能如何设计安全测试用例，并验证转账过程中密码不泄露？
这题考安全测试深度。答案要从转账资产和威胁模型出发，覆盖认证、授权、参数完整性、支付密码保护、传输存储脱敏、重放幂等、风控和审计，并说明如何用抓包、日志扫描、测试桩和服务端审计证明密码没有泄露。
抖音上下滑动视频流如何设计测试用例，覆盖加载、预取、播放状态、手势和弱网？
这题考短视频信息流的综合测试设计。回答要覆盖数据加载和预取、播放器状态切换、手势识别、缓存与资源回收、弱网和性能指标，并给出可观测断言，例如当前 item、播放事件、首帧时间、曝光、卡顿和内存。
搜索向 AI 转型时，应为广告主提供哪些 AI 赋能投放工具？
这题考 AI 搜索商业化里广告主侧工具链设计，重点不是泛泛说生成素材，而是从意图洞察、投放搭建、出价预算、归因诊断、控制护栏和反馈闭环完整回答。
生成式 AI 搜索削弱点击后，搜索广告计费模式应如何从 CPC 演变？
这题考 AI 搜索商业化定价迁移，关键是说明 CPC 弱化后如何按曝光、互动、线索、成交和辅助转化建立混合计费，而不是简单说从点击改成转化。
AI 搜索答案错误引用广告主信息时，产品和流程安全护栏如何设计？
这题考 AI 搜索商业化场景下的可信和事故治理，回答要覆盖信息源约束、生成时校验、用户侧呈现、人工审核、投诉处置和模型反馈闭环。
大模型如何重构“周末去北京哪里玩”这类内容平台搜索体验？
这题考内容平台 AI 搜索体验设计，重点是把“视频列表”升级为可执行的本地生活决策方案，覆盖意图澄清、内容证据、个性化行程、互动改写、行动转化和可信评估。
AI 托管投放 ROI 达标但广告主认为优质流量位曝光不足时，产品经理如何分析和应对？
这题考商业化 AI 托管投放的诊断和客户信任，核心是解释总体 ROI 与流量位质量感知的冲突，并给出数据核查、目标重设、控制工具、透明报告和算法反馈闭环。
训练 Qwen 这类大语言模型时，训练数据集如何设计才能兼顾质量、多样性和覆盖度？
这题考大语言模型训练数据体系设计，核心是把数据质量、多样性、覆盖度和评测闭环放在同一套可度量的配比与治理流程里，而不是简单说多收集数据或多做清洗。
同公司岗位有 2 条面经记录
Qwen 这类图文多模态大模型接入图像理解时，视觉编码、图文对齐和 token 成本有哪些技术难点？
这题考图文多模态大模型接入图像理解的关键工程和算法难点，重点是视觉特征如何进入语言模型、图文语义如何对齐，以及视觉 token 成本如何在效果和延迟之间取舍。
Qwen 这类大模型如何做压缩和蒸馏，评估时应关注哪些效果损失？
这题考大模型压缩与蒸馏的端到端方法论，关键是同时说明模型怎么变小、能力怎么迁移、成本怎么下降，以及哪些能力和安全边界最容易损失。
训练 Qwen 这类大模型时，分布式训练的通信瓶颈如何优化？
这题考大模型训练中的通信瓶颈定位与优化，重点是理解数据并行、张量并行、流水线并行和 ZeRO/FSDP 等策略如何产生不同通信模式，并用 profiling 指标做取舍。
评估 Qwen 这类大模型的泛化能力和鲁棒性时，评测集与切片指标应如何设计？
这题考大模型评测体系设计，核心是把泛化和鲁棒性定义成可切片、可统计、可回归的问题，避免只用一个公开 benchmark 总分判断模型好坏。
3D 语义分割评测中，mIoU 与 Chamfer Distance 分别衡量什么，什么时候该用哪个？
这题考候选人能否把 3D 语义标签质量和几何形状质量分开评估：mIoU 是分割主指标，Chamfer Distance 更适合几何重建、补全或对齐质量。
PPO 后训练中，GAE 的 lambda 参数如何影响优势估计的偏差和方差？
这题考 PPO 后训练里优势估计的稳定性来源：GAE lambda 通过控制 TD 残差的有效累积长度，在低方差高偏差和低偏差高方差之间取舍。
AI Infra 中拿到一个慢算子时，如何判断是否值得优化，并选择 kernel 优化、算子融合、图优化或数据布局调整？
这题考慢算子优化的工程决策树，重点不是单独判断 Memory Bound 或 Compute Bound，而是先判断投入是否值得，再把 profile 证据映射到 kernel、融合、图优化和 layout 等不同路径。
接手一个未量化的大模型时，如何推进量化方案选择、校准、精度评估和推理性能迭代？
这题考未量化大模型的量化 rollout 方法论，重点是从部署目标、量化范围、校准集、kernel 支持、质量回归、性能收益到灰度回滚形成闭环，而不是背几个量化名词。
同题还出现在 1 个公司岗位
AWQ 等权重量化引入反量化步骤后，为什么仍可能让 LLM 推理整体变快？
这题考权重量化的反直觉加速机制，核心是解释额外 dequant 计算为什么可能小于权重带宽、显存占用、cache 命中和融合带来的收益，同时说明它只在合适瓶颈和 kernel 支持下成立。
推理优化中为什么常把动态图转成静态图再做算子融合，转换开销如何评估和控制？
这题考动态图和静态图在推理优化中的取舍，重点是静态图提供全局依赖、shape、pattern 和内存信息，便于融合和调度优化；转换开销要靠缓存、shape bucketing、warmup、fallback 和端到端摊销控制。
把 FP16 权重量化为 INT8 并保留 FP32 scale 时，scale factor 如何计算，为什么常用绝对值最大值定标？
这题考权重量化的基础闭环：从 FP16 到 signed INT8 的映射、scale 的计算、absmax 定标的原因、反量化误差，以及 per-tensor/per-channel 和 outlier 取舍。
手写 CUDA vector add kernel 时，为什么需要边界判断，为什么通常不用 shared memory，block size 和 warp 有什么关系？
这题考 CUDA 入门 kernel 的工程基本功：线程索引、越界保护、全局内存合并访问、shared memory 是否有复用收益、block size 与 warp/occupancy 的关系。
非对称量化相比对称量化，在计算和反量化时会带来哪些额外开销与精度影响？
这题考 zero point 带来的计算差异。好答案要从量化公式展开到矩阵乘额外修正项、预计算可能性、性能代价，以及非零中心分布下的精度收益。
手写 CUDA Softmax2D 时，如何在 K 维做数值稳定的 softmax，避免指数溢出和精度爆炸？
这题考 row-wise softmax kernel 的正确性和性能：按 K 维减最大值、FP32 累加、block/warp reduction、不同 K 大小的线程映射，以及极端输入验证。