分页解析
第 29 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
BERT 通常如何做分词，WordPiece 如何处理未登录词，特殊 token 在输入构造中有什么作用？
这题考 BERT 输入构造的基础细节。答案要说明 BERT 通常先做 BasicTokenizer，再做 WordPiece 子词切分；WordPiece 用最长匹配处理词表内子词，无法拆解时用 [UNK]；同时讲清 [CLS]、[SEP]、[MASK]、[PAD]、attention mask 和 token type ids 的作用。
Dropout 在训练和推理阶段分别如何处理，为什么测试时通常关闭随机丢弃？
这题考 Dropout 的训练和推理差异。高质量回答要说明训练期采样 Bernoulli mask，常用 inverted dropout 按 1/(1-p) 放大保留激活；推理期切到 eval 模式关闭随机丢弃，使用完整网络并保持期望一致，同时补充 MC Dropout 例外和框架常见坑。
超分辨率模型中，上采样层放在网络前面还是后面，各自有什么速度、显存和效果取舍？
这题考超分辨率网络中上采样位置的架构取舍。高质量回答要对比 SRCNN 式前置上采样和 FSRCNN/ESPCN 式后置上采样，讲清计算量、显存、速度、感受野、重建质量、尺度适配和棋盘伪影，并说明 sub-pixel、transpose convolution、resize-conv 等方案差异。
拼多多处于流失风险期的用户，如何用自动化数据策略做召回？
这题考用户生命周期运营里的风险识别、自动化策略和实验闭环，不是简单问“给流失用户发券”。高质量回答要先定义拼多多场景下的流失风险期，再说明如何用行为、交易、品类偏好和价格敏感度打分分层，最后讲触达时机、召回权益、推荐内容、实验 holdout、召回后留存和打扰护栏。
抖音创作者投稿率短期大幅下跌时，如何做异动分析？
这题考短期异动分析能力，核心是保留“创作者投稿率”这个业务指标，并从口径验真、创作者分层、投稿链路、审核和流量激励、活动周期、创作工具故障、外部事件、内容生态供需等层面快速定位。好的回答要像抖音内容生态分析，而不是泛泛按时间地区拆。
滴滴近一周新客首单转化率下降时，第一轮诊断应如何分层排查？
这题强调“第一轮诊断”，不是马上做完整因果归因。高质量回答要在滴滴新客首单链路里快速分层排查：先验指标和埋点，再按渠道新客质量、城市时段产品线、发券和价格、叫车供需、等待时长、司机接单、取消、支付、版本异常等层级找最大断点。
拼多多美妆百亿补贴专场，如何用数据分析辅助选品？
这题考拼多多百亿补贴美妆专场的经营分析能力。答案不能只说选销量高的商品，而要围绕选品池、补贴优先级和经营护栏展开：既看人群需求、品牌信任、价格力、历史转化、搜索收藏趋势，也要算毛利和补贴 ROI、库存履约、退货差评、正品风险和售后承压。
固定月度投放预算在抖音、百度、B站之间，如何按指标动态分配？
这题考固定月度预算下的跨平台投放经营能力。答案要保留抖音、百度、B站三个平台的差异：抖音偏兴趣推荐和内容种草，百度偏主动搜索和高意向承接，B站偏内容信任和年轻社区心智。动态分配不能只看 CPA，还要结合 ROI、LTV、边际收益、归因窗口、探索预算、预算上限、频控、周/月度调仓和风险护栏。
钉钉 AI Agent 如何与 RPA、低代码等效率工具联动，为企业提供自动化工作流？
这题考企业 AI Agent 如何从聊天入口落到可执行工作流。高质量回答要讲清 Agent、低代码和 RPA 的分工，说明如何接入企业系统、沉淀流程资产，并用权限、审计、确认、异常兜底和 ROI 指标保证真实落地。
百度 AI 产品如果从问答式助手升级到 Agent，应如何定义产品差异、技术能力和布局路径？
这题考百度 AI 产品从问答助手升级到 Agent 时的产品定义能力。回答不能只说 Agent 更智能，而要从用户目标、交互形态、技术能力、评估指标、生态布局和分阶段路线讲清差异。
如何用 Coze 搭建 K12 英语批改 Agent，并通过输入输出规范控制商业化发散风险？
这题考如何把 Coze 里的英语批改 Agent 做成可商业化、可控输出的教育产品。核心不是搭一个能聊天的 Bot，而是用严格输入输出规范、评分口径、内容边界和质检闭环控制发散风险。
智能体创建流程中，“一句话创建”门槛高时，如何通过角色类型选择和可编辑 Prompt 降低用户创建门槛？
这题考智能体创建流程的增长和 onboarding 设计。题源指出“一句话创建”仍然门槛高，因此回答要围绕角色类型选择、轻量问答、Prompt 抽取、模块化编辑、预览验证和内容治理展开。
如何基于历史数据预测 60 天后的 DAU？
这题考数据分析师如何把“预测 60 天后的 DAU”做成严谨的时间序列和业务预测问题。高质量回答要覆盖目标口径、历史数据、特征、模型、验证、预测区间、业务事件和可解释交付。
从商业分析视角，优化快手广告推荐算法的分析框架是什么？如何平衡广告相关性和用户体验？
这题考商业分析师能否把广告推荐算法优化讲成业务目标、用户体验和实验验证共同约束的问题。高质量回答不能只说提升 CTR 或 eCPM，而要从广告链路、指标树、用户负反馈、广告主 ROI、长期留存和平台商业化边界出发。
如何通过数据分析量化美团单车潮汐效应，并为线下车辆调度提供更高效的策略建议？
这题考共享单车业务的数据建模和线下运营落地能力。好的回答要把潮汐效应量化成空间网格、时间窗口、OD 流向、车辆净流入净流出、供需缺口和可执行调度工单，而不是只描述早晚高峰现象。
如何分析同时使用美团外卖和饿了么的重叠用户，与只使用美团的忠诚用户在客单价和下单频率上的差异？
这题考竞争场景下的用户分层、指标口径和因果意识。分析重叠用户与只用美团的忠诚用户时，不能直接比较均值，而要先定义用户标签和观察窗口，再控制城市、生命周期、品类、优惠、商家供给和活跃度差异。
选择一款网易产品时，如何定义产品热度指标，并用数据分析找到提升方向？
这题考数据分析师能否把模糊的产品热度转成可度量、可诊断、可增长的指标体系。以网易云音乐为例，热度不能只等同于 DAU，而要同时覆盖活跃、内容消费、互动传播、留存、内容供给和商业健康。
SIM 在推荐系统长序列兴趣建模中改进了什么问题？
这题考推荐系统长序列兴趣建模的核心矛盾。SIM 改进的问题不是多任务学习本身，而是传统 DIN/DIEN 等模型通常只能使用较短历史行为，直接建模超长序列又计算重、噪声多、目标相关性弱。
使用 B 站首页时，如果发现推荐内容兴趣发散不足，算法工程师应如何从兴趣探索、模型设计和指标评估分析改进？
这题考 B 站首页推荐里探索不足的系统性分析能力。高质量回答不能只说增加随机推荐，而要从用户多兴趣建模、候选召回、探索策略、重排约束、长期指标和 A/B 实验闭环解释为什么推荐会越刷越窄。
LLM 推理中 KV Cache 大小如何计算，哪些参数决定显存占用？
这题考 LLM 推理显存估算的基础功。高质量回答要给出 KV Cache 公式，说明 batch、上下文长度、层数、KV head 数、head_dim、数据类型、beam/并发和 GQA/MQA 都会影响显存，并区分权重显存、激活显存和 KV Cache 显存。
LLM 量化中 W4A16 表示什么，它在权重位宽和激活精度上有什么取舍？
这题考 LLM 量化命名和工程取舍。W4A16 表示权重 4 bit、激活 16 bit，通常属于 weight-only 或偏权重量化路线，核心收益是降低权重显存和内存带宽，核心代价是权重误差、反量化开销、kernel 适配和部分能力回归。
为什么 Attention 相关量化比普通权重量化更难，softmax、动态范围和误差放大会带来哪些问题？
这题考 Attention 量化为什么比静态权重量化更敏感。答案要围绕 Q/K/V 动态分布、QK logits、mask、softmax 指数放大、KV Cache 长期复用和误差跨层传播展开，并给出常见工程缓解策略。
OpenCL/GPU kernel 为什么要尽量减少分支，掩码写法如何影响 SIMT/SIMD 执行效率和有效吞吐？
这题考 GPU/OpenCL 高性能实现里的分支发散和掩码写法。高质量回答要说明 work-item 在 subgroup/warp/wavefront 内锁步执行，分支不一致会串行执行不同路径并屏蔽 inactive lane，从而降低有效吞吐。
推荐系统中做采样后样本分布被改变，点击率预估值应该如何校准？
采样会改变训练样本中的先验点击率，模型在采样分布上学到的概率通常不是线上真实曝光分布的 CTR。回答时要先说明校准目标是把 sampled posterior 还原到 target posterior，再给出 odds/prior correction 公式，并补充用未采样验证集做 Platt、isotonic、温度缩放或分桶校准，最后用可靠性曲线、ECE、Brier/logloss 和线上 A/B 验证。
同一分类器和同一阈值下，测试集正负样本比例从 1:1 变为 1:1000 时，Precision 和 Recall 通常会如何变化，为什么？
在同一分类器、同一阈值、正负类条件分布不变的前提下，Recall 本质上是 TPR，通常基本不随类别先验变化；Precision 强依赖正样本先验，会随着正样本比例从 1:1 降到 1:1000 而大幅下降。回答关键是写出 Precision = π TPR / (π TPR + (1-π) FPR)，并说明前提、例外和阈值重调策略。
DCN 和 DeepFM 的特征交叉机制有什么异同？
DCN 和 DeepFM 都用于稀疏特征推荐排序，都试图同时建模低阶和高阶交叉。DeepFM 用 FM 显式建模二阶 pairwise 交叉，再用 DNN 隐式学习高阶非线性交叉；DCN 用 cross network 递推地把原始特征 x0 与当前层 xl 做显式交叉，得到有界阶数的多项式交叉。回答重点是公式、显式/隐式、交叉阶数、参数效率、可解释性和工程选型。
推荐系统中多任务学习有哪些常见结构，PLE 主要优化了共享底座或 MMoE 的哪些问题？
推荐多任务常见结构包括 hard parameter sharing/shared-bottom、独立塔、ESMM、soft sharing、MMoE、PLE 等。核心矛盾是任务相关性不均、梯度冲突、负迁移、任务跷跷板和样本空间差异。PLE 在共享专家之外引入任务专属专家，并通过多层 CGC/门控逐层抽取 shared 与 task-specific 表征，主要缓解 shared-bottom 的过度共享和 MMoE 的专家混用、任务干扰问题。
推荐模型离线 AUC 与线上效果不一致时，可能有哪些原因，如何定位和修正？
离线 AUC 与线上效果不一致通常不是单点问题，而是数据分布、样本构造、标签口径、特征一致性、评估指标、候选集、系统链路和实验统计共同造成。回答要先说明 AUC 衡量 P(score_pos > score_neg)，不等于线上业务收益；再按数据、模型、评估、服务、实验五层排查，并给出 replay、shadow scoring、切片、A/A、A/B 和监控修正路径。
LoRA 和 Adapter 在微调机制、参数插入位置和推理阶段开销上有什么区别？
这道题考察参数高效微调的结构理解，而不是只背 LoRA 和 Adapter 都是 PEFT。好的回答要先说明二者都冻结大部分基座模型、只训练少量新增参数；再区分 LoRA 是给已有线性层增加低秩权重增量，Adapter 是在 Transformer block 中插入小型瓶颈模块；最后落到推理开销：LoRA 可合并进原权重，单任务部署几乎无额外算子，Adapter 通常保留额外前向路径，会增加延迟、显存和 serving 复杂度。
DeepSpeed ZeRO 中哪些训练状态会占用 GPU 显存，为什么 activation 通常用 checkpoint/recompute 而不是像参数或优化器状态一样分页？
这道题考察大模型训练显存构成和 ZeRO 的边界。回答要先把 GPU 显存里的主要训练状态拆清楚：参数、梯度、优化器状态、激活、通信/临时 buffer 和碎片；再说明 ZeRO 主要分片的是模型状态，Stage 1/2/3 分别处理优化器状态、梯度和参数；最后解释 activation 为什么通常用 checkpoint/recompute：它是 batch/sequence 相关的短生命周期中间结果，反向依赖层级顺序，分页到 CPU/NVMe 会引入高带宽低延迟瓶颈，而重计算能用额外 FLOPs 换显存，通常更可控。
LLaMA 2 中的 GQA 是什么，它如何减少 KV heads、降低 KV Cache 和带宽开销，并影响训练与推理效率？
这道题考察 GQA 的注意力结构和 KV Cache 推理瓶颈。回答要先把 MHA、MQA、GQA 放在一条线上：MHA 每个 query head 有自己的 K/V head，MQA 所有 query head 共用一组 K/V，GQA 则让一组 query heads 共用一个 K/V head。它减少的是 KV heads 数量，从而降低 K/V projection 输出、KV Cache 存储、decode 阶段缓存读取带宽和跨卡通信压力。关键是不要把 GQA 只说成训练加速；它对长上下文自回归推理的内存带宽收益更直接，同时在质量和效率之间比 MQA 更折中。
AI 应用开发中的原子状态机是什么？如何用有限状态、原子转移和异常状态约束执行流程，避免状态错乱、重复执行和异常无法收敛？
这道题考察 AI 应用或 Agent runtime 的流程约束能力。原子状态机不是让大模型自由决定下一步，而是把执行拆成有限状态、受控事件和原子转移：每次转移都校验前置状态、写入持久状态、绑定幂等键或执行记录，再推进任务或恢复异常。它解决的是状态错乱、重复执行、异常恢复、并发竞争和流程无法收敛问题。好的回答要能讲出状态集合、转移表、异常状态、幂等、锁/CAS、step budget、可观测性和验证指标。
AI 产品和普通互联网产品在需求验证、技术协作、评估指标和上线迭代上有什么区别？
这道题考察 AI 产品经理是否能把 AI 产品和普通互联网产品的差异讲到工作流层面。好的回答不是说 AI 产品更智能，而是从需求验证、技术协作、评估指标和上线迭代四个维度比较：普通互联网产品主要验证用户需求、流程效率和商业转化；AI 产品还必须验证模型能力边界、数据可得性、成本延迟、质量稳定性、安全合规和 badcase 闭环。AI PM 的核心能力是把不确定的模型能力转化为可验收、可监控、可回滚的产品体验。
AI 在金融行业有哪些典型落地场景，产品经理应如何评估价值、风险和合规边界？
这题考的不是罗列几个 AI 金融应用名词，而是产品经理能否按金融业务链路识别 AI 的适用场景，并同时回答价值、风险、合规和上线验证。高质量回答要把场景分层，例如客户交互、营销与经营、风控反欺诈、运营自动化、合规审查和内部员工助手；再说明不同场景的收益指标、模型指标、用户体验指标、风险指标和合规边界。金融场景的关键不是“能不能自动化”，而是哪些环节允许自动决策，哪些只能辅助人工，哪些必须留痕、可解释、可申诉、可回滚。
如何将已有 MHA 大模型改造成 GQA？KV Head 权重合并初始化和继续训练分别解决什么问题？
这题考察的不是“GQA 是什么”这一层概念，而是如何把一个已经训练好的 MHA checkpoint 工程化迁移成 GQA，并解释初始化和继续训练各自承担的职责。核心答案应先说明结构变化：MHA 中每个 Query Head 通常有独立的 K/V Head，而 GQA 把多个 Query Head 分成一组，共享同一组 K/V 投影，从而减少 KV Cache、显存带宽和解码阶段访存。迁移时不能随机初始化 K/V，否则模型等于突然丢失大量注意力记忆能力；因此通常用 KV Head 合并做 warm start，例如按组平均、加权平均、选择代表头或用聚类合并 K/V 权重。这个初始化解决“结构对齐和功能尽量连续”的问题；继续训练或 uptraining 解决“合并带来的表达能力损失、注意力分布偏移和层间统计不匹配”的问题。高质量回答还要补充训练数据配比、学习率、冻结策略、评估指标和推理收益验证。
推荐或广告系统新增一路召回后，如何评估这一路召回的效果、效率和 ROI？
新增一路召回不能只看“这路召回了多少 item”或“命中了多少点击”，因为多路召回存在去重、排序、预算竞争和归因稀释。高质量回答要把评估拆成效果、效率、增量价值和 ROI 四层：效果看覆盖率、命中率、后链路采纳、排序后曝光/点击/转化贡献；效率看召回耗时、QPS、CPU/GPU/内存、索引成本、去重后有效候选率；增量价值看相对 baseline 的新增好样本、新增人群、新增广告主/商品覆盖，以及 A/B 中核心业务指标提升；ROI 则用增量收益减增量成本，或增量 GMV/广告收入/利润除以系统和维护成本。回答时要强调离线只能做候选筛查，最终要靠在线实验和归因方法判断是否值得长期保留。
主场景数据充足但抢购等小样本场景 CTR/CVR 分布不同，推荐模型如何用增量学习或 PPNet 做适配？
这题的关键是小样本场景不是简单“数据少”，而是抢购等场景的用户意图、价格敏感度、库存稀缺、时间压力和 CTR/CVR 分布都与主场景不同。只用主场景大数据训练一个统一模型，容易在小场景上校准偏、排序目标错或过度拟合主场景。可行方案包括增量学习、样本重加权、多任务/多场景建模、场景特征注入和 PPNet。PPNet 的核心是用场景/人群/上下文作为 gating 或 personalized parameter generator，对底层网络的 hidden units 或专家输出做个性化缩放，让主模型共享大样本知识，小场景通过参数调制适配分布差异。回答还要覆盖数据构造、冷启动、负迁移、校准、在线 A/B 和防遗忘。
推荐系统中用召回模型蒸馏粗排模型时，如何评价蒸馏后的召回效果？
这题考察召回模型蒸馏粗排模型后的评价方法。核心在于区分“学生模型是否拟合了粗排老师”和“蒸馏后的召回是否真的更好”。召回蒸馏粗排通常是把粗排模型对候选的打分、排序关系或 top item 偏好迁移到召回侧，使召回阶段更早拿到高质量候选。但评价不能只看蒸馏 loss 或 teacher-student 分数相关性，因为召回的职责是从海量 item 中找回后链路需要的候选。高质量答案应覆盖：离线召回指标、与 teacher 排序一致性、下游粗排/精排漏斗贡献、系统性能成本、在线 A/B 以及失败模式，如过度模仿粗排导致多样性下降、覆盖变窄、训练候选偏差和 teacher 错误被放大。
给定用户 session 曝光或点击序列，如何设计公式衡量推荐内容多样性并用于优化？
这题要求给定用户 session 的曝光或点击序列，设计可计算的推荐内容多样性公式，并说明如何用于优化。高质量答案不应只说“类别越多越好”，而要根据业务内容表示定义多样性：可以从类目覆盖、分布熵、两两相似度、去重率、新颖性、序列相邻差异和用户兴趣覆盖几个角度构造指标。对于 session 序列，常用公式包括 intra-list diversity：`ILD = 1 - average(sim(i,j))`；类别熵：`H = -Σ p_c log p_c`；有效类别数：`exp(H)`；相邻多样性：`1 - average(sim(i_t, i_{t+1}))`。用于优化时不能盲目提高多样性，需要和相关性、CTR/CVR、时长、留存做 trade-off，可在重排阶段加入多样性正则或约束，并用 A/B 验证用户体验和业务指标。
同公司岗位有 2 条面经记录
ASR 语音识别流程中，WFST、HMM、GMM-HMM、DNN-HMM 和 CTC 分别解决什么问题？
这道题考察候选人是否理解传统 ASR 到深度学习 ASR 的主线：语音识别不是一个单一模型，而是从声学信号到文字序列的建模与搜索问题。HMM 负责把连续语音拆成带隐状态的时间序列；GMM-HMM 用高斯混合建模每个声学状态的观测概率；DNN-HMM 用神经网络替代 GMM 做更强的声学判别；WFST 把发音词典、语言模型、上下文相关音素和解码约束组合成可搜索图；CTC 则用 blank 和条件独立假设直接学习帧到标签序列的对齐，弱化了 HMM 依赖的人工状态对齐。高质量答案要能讲清“各模块解决的问题、它们在链路中的位置、为什么从 GMM-HMM 演进到 DNN-HMM/CTC、以及评估时如何看 WER、RTF、延迟和 OOV”等指标。
增长运营如何通过 CTR、CVR、ROI 等数据定位投放效果瓶颈？
这道题考察增长运营能否把广告投放效果拆成可诊断的漏斗，而不是只盯 ROI。核心框架是从曝光到点击、从点击到转化、从转化到收入/利润：CTR 反映素材、定向、流量匹配和广告吸引力；CVR 反映落地页、商品、价格、表单、支付和用户意图承接；ROI 反映成本、客单价、毛利、复购和预算效率。高质量答案要能讲清指标定义、拆解路径、分层分析、实验验证和行动策略，例如用 eCPM/CPC/CPA、转化延迟、渠道/人群/素材/时段切片定位瓶颈。
资源有限时，增长运营如何用广告投放 ROI 平衡投放规模与效果？
这道题考察增长运营在资源有限时是否理解投放 ROI 的边际收益逻辑。广告投放不是简单追求最高 ROI，也不是盲目放量，而是在预算、库存、团队能力和商业目标约束下，寻找“规模增长”和“单位效率”的平衡。关键框架是区分平均 ROI 与边际 ROI：小预算高 ROI 不代表可放量，预算扩大后流量质量下降、频次上升、竞价成本上升，ROI 往往递减。好答案需要覆盖预算分层、实验放量、止损线、利润口径、LTV 口径和 portfolio 管理。
餐饮美食类目做拉新投放时，增长运营如何做人群定向，并用 A/B 实验验证落地页信息呈现和视频素材方案哪个更能提升 CVR？
这道题考察增长运营能不能把餐饮美食拉新投放从“凭经验投人群、换素材”讲成一个完整的增长实验闭环：先定义新客与转化，再做人群分层、创意和落地页假设，最后用严谨 A/B 实验判断落地页套餐信息呈现和视频素材哪个更能提升 CVR。
当小红书图文笔记互动率下降时，如何设计实验验证增加短视频内容是否能改善互动，并补充哪些数据？
这道题考察数据分析师能否从“图文笔记互动率下降”这个异常出发，提出短视频内容作为干预，并设计可验证、可归因、可补数的实验，而不是直接得出“多发视频就能提高互动”的结论。
小红书搜索广告的核心价值是什么，商业化产品经理应如何提升从搜索意图到转化的效率？
这道题考察商业化产品经理能否理解小红书搜索广告的价值不是简单卖流量，而是在用户主动表达需求时，把搜索意图、种草证据、品牌供给和交易转化连接起来，提高从需求产生到决策行动的效率。
《蛋仔派对》上线“派对小屋”这类新社交玩法后，游戏数据分析师应关注哪些核心指标来评估玩法是否成功？
这道题考察游戏数据分析师能否评估《蛋仔派对》上线“派对小屋”这类新社交玩法后的真实价值：不只是看有多少人点进去，而是看玩法是否被理解、是否促进社交关系、是否提升留存和游戏生态，同时有没有损害主玩法体验。
视频剪辑智能体的全链路架构如何设计，核心模块的职责和交互逻辑是什么？
这道题考察 AI 应用开发候选人能否把“视频剪辑智能体”设计成可落地的工程系统：从用户意图理解、素材解析、剪辑计划、工具执行、预览修正到渲染导出，拆清楚核心模块、数据结构和交互闭环。
对接多家国内大模型官方 API 时，如何设计统一调用网关来屏蔽接口差异？
这题考察的是多大模型供应商接入时的工程抽象能力，不是简单写几个 if else 适配接口。好的统一调用网关要把业务层看到的协议收敛成稳定的内部模型契约，同时把供应商差异隔离在 adapter 层：消息格式、模型名、参数范围、流式协议、错误码、限流、鉴权、计费、上下文长度、工具调用、JSON 输出能力都不能泄漏给上层。架构上通常分为统一 API、路由与策略、provider adapter、可靠性治理、观测与审计、配置和灰度几个部分。回答要强调边界：网关不是只做转发，而是承担能力抽象、故障隔离、降级切换、成本治理和可观测性；但也不能把所有模型能力抹平成最低公约数，否则会损失模型特性。因此设计上要有基础统一契约和可扩展 capability 描述，既屏蔽常见差异，又允许业务显式选择高级能力。