已解析题目
小米相关面试题
epoll 的 LT 和 ET 模式
这题考察 epoll 事件触发语义和网络编程细节，关键是说清 LT 反复提醒、ET 只提醒状态变化，以及 ET 必须配合非阻塞循环读写到 EAGAIN。
Transformer 相比之前的模型为什么有这么大的提升？
Transformer 的提升主要来自 self-attention 对长距离依赖的直接建模、更强并行训练能力、多头表示学习，以及可扩展到大数据和大模型规模的结构。
MTCNN 的模型结构和训练过程是怎样的？
MTCNN 是级联式人脸检测和关键点定位框架，核心是 P-Net、R-Net、O-Net 逐级候选、筛选、精修，并用多任务损失联合训练。
VAE 中的 V 表示什么，KL 散度在 VAE 里起什么作用？
VAE 的 V 是 Variational，表示用可学习的近似后验 q(z|x) 去逼近真实后验 p(z|x)。KL 散度是 ELBO 中的正则项，约束编码得到的潜变量分布接近先验，保证隐空间连续、可采样，同时与重构项形成清晰的生成质量和分布规整取舍。
加入雷达点云作为第三模态时，3D 多模态感知如何调整表征和对齐策略？
这道题考察 3D 多模态感知的工程化对齐能力。回答要先比较点、体素、BEV、range view 和 query 表征，再说明加入雷达点云后必须处理坐标系、时间同步、运动补偿、稀疏噪声、置信度建模和跨模态融合策略。
长上下文扩展技术如 YaRN 应如何评测效果，而不只看最大上下文长度？
这题考长上下文扩展的评测方法，回答重点是不能只看最大 token 长度，还要验证检索、推理、稳定性、成本和短上下文回归。
文生 3D 任务中，Stable Diffusion 输出如何与 NeRF / SDF 重建方法结合？
这题考文生 3D 中 2D diffusion 先验和 3D 表示优化的结合，回答要讲清 SDS、多视角一致性、NeRF/SDF 取舍和评估。
视频生成中，时序信息对齐和空间对齐哪个更重要，如何取舍？
这题考视频生成中的一致性取舍，回答要说明时序对齐和空间对齐分别解决什么、何时更重要、如何训练和评估。
AI 智能创意功能如何为广告主生成文案和图片素材，并设计核心用户流程？
这题考广告主侧 AI 智能创意功能的产品流程设计，答案要覆盖需求输入、素材生成、编辑预览、合规审核、投放实验和效果反馈闭环。
AI 广告投放模型过度追求短期转化时，产品经理如何分析并推动优化？
这题考广告投放模型目标偏差的产品分析能力，重点是识别短期转化优化带来的长期价值、探索能力、用户体验和广告主目标损伤，并推动指标和策略调整。
小米 AI 音箱场景化指令使用率低时，如何设计指令推荐机制？
这题考 AI 音箱场景化指令使用率低时的产品推荐机制设计，重点是上下文触发、推荐内容、展示时机、频控和使用率评估。
从零构建 VLA 模型时，视觉、语言和动作模块应如何设计？
这题考从零设计 Vision-Language-Action 模型的系统拆解，重点是感知编码、语言 grounding、动作表示、策略头、数据闭环、仿真到真实迁移和评估。
VLA 模型和世界模型有什么区别，VLA+RL 适合哪些具身智能场景？
这题考 VLA、世界模型和强化学习在具身智能中的边界，回答要区分动作条件策略、环境动力学建模、规划想象和 RL 微调的适用场景。
AI 绘画产品如何设计 prompt 输入方式和用户自定义能力？
这题考 AI 绘画产品的 prompt 输入和自定义能力设计，重点是降低新手门槛、保留高手控制感、提供生成反馈并控制风险。
小米硬件生态和手机系统数据如何形成 AI 广告智能定向的差异化优势？
这题考小米硬件生态和手机系统数据对智能定向的差异化价值，回答重点是跨设备场景、意图信号、隐私边界和广告产品机会。
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。
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。
商业化广告产品中，AI 能力为广告主解决痛点后，产品经理应如何设计效果指标体系，兼顾投放结果、生产效率、创意质量、广告主体验、长期价值和护栏指标？
这题考广告产品经理的指标设计能力：不能只看短期点击或转化，而要把 AI 对投放结果、素材生产、创意质量、广告主体验、长期经营和平台风险的影响放进同一套指标体系。
视觉 Transformer 处理非均匀采样 3D 点云时，Patch Embedding 应如何改进？
这题考的是把 2D ViT 的 Patch Embedding 思路迁移到 3D 点云时，如何处理点云无序、非均匀密度、局部几何和变长邻域。好的回答不能只说把点云分块后送 Transformer，而要讲清采样中心、邻域构造、密度归一、局部聚合、3D 位置编码和多尺度鲁棒性。
多模态模型中跨模态注意力机制如何设计，如何举例说明不同模态 token 的对齐和融合？
这题考多模态 Transformer 中跨模态注意力的设计能力。好的回答要讲清楚不同模态 token 如何产生、如何注入位置和类型信息、如何做 cross-attention 或 co-attention、如何处理长度差异和噪声、如何训练对齐，并用图文例子说明文字 token 通过 query 关注图像 patch 或 object token，从而把语义、空间位置和细粒度属性融合起来。
文生图模型的核心框架如何设计，文本编码器、生成主干和图像解码器如何协同？
这题考文生图模型的整体框架理解。好的回答要讲清楚文本编码器把 prompt 变成条件表示，生成主干通常在像素或 latent 空间逐步生成图像，图像解码器把 latent 还原为像素；同时要说明 cross-attention、扩散噪声预测、时间步条件、classifier-free guidance、VAE 编解码、训练损失和推理采样如何协同。
高斯卷积核如何用可分离卷积等方式优化，时间复杂度和效果会怎样变化？
高斯卷积核优化的核心是利用数学结构和硬件特性减少重复计算。二维高斯核可分解为横向一维高斯和纵向一维高斯的外积，因此一次 K×K 卷积可以改成两次长度 K 的一维卷积，理论复杂度从每像素 O(K²) 降到 O(2K)，效果在同一离散核和边界策略下基本等价。进一步还可以通过截断半径、缓存、SIMD、定点化、近似盒滤波或递归滤波继续提速，但要说明精度、边缘和伪影取舍。
积分图如何实现均值滤波，为什么能把窗口求和从面积相关降到常数时间？
积分图用于均值滤波的关键是把每个像素左上方矩形区域的累计和预先存起来。这样任意轴对齐窗口的像素和都可以由四个角的积分值相加相减得到，不再需要逐个遍历窗口内所有像素。对半径为 r 的均值滤波，朴素方法每个像素要累加 (2r+1)² 个值，而积分图在预处理 O(HW) 后，每个窗口求和只需常数次读取和加减，再除以窗口面积即可得到均值。
BERT 的 token、segment、position embedding 为什么通常相加而不是 concat？
这道题考察 BERT 输入层的维度和架构取舍。Token、segment、position embedding 相加，是为了把词义、句子归属和位置注入同一个 hidden space，保持后续 Transformer 维度、参数量和残差结构稳定；concat 虽然看似保留边界，但会放大后续 Q/K/V、FFN 参数和推理成本，通常收益不明确。
NLP 中 EDA 数据增强有哪些操作，什么时候会伤害语义和标签一致性？
这道题考察 NLP 数据增强的边界意识。EDA 的同义词替换、随机插入、交换和删除只在标签保持不变时有价值；对否定词、实体、数字、时间、领域术语、槽位和逻辑关系敏感的任务，盲目增强会制造噪声标签，导致验证和线上效果变差。
mask attention是如何实现的？
Mask attention 的核心是在计算 attention 权重前，对不允许关注的位置加上一个极小值，使这些位置经过 softmax 后权重接近 0。它常用于因果语言建模、padding 屏蔽、局部注意力和结构化可见性约束。
同题还出现在 1 个公司岗位
如何理解小爱同学这类 AI 助手产品的用户价值、核心场景和交互入口？
这题来自“小爱产品”的理解，且上下文提到手机端入口交互和终端展示，所以答案要围绕 AI 助手的产品本质：它不是单一 App，而是跨设备、跨系统能力的交互层。用户价值可以拆成三类：降低操作成本、连接多设备场景、提供个性化和主动辅助。核心场景包括手机系统任务、智能家居控制、信息查询与内容服务、车载/穿戴/音箱等多终端协同、无障碍和老人儿童场景。交互入口要按主动/被动、语音/触控、前台/后台分层：唤醒词、长按电源键或快捷键、桌面组件、锁屏、负一屏/搜索、耳机和音箱、车机、智能家居面板。终端展示不应只靠语音播报，而要有卡片、确认页、多轮澄清、执行反馈和可撤销机制。
产品经理如何评估大模型效果，并从数据、Prompt、RAG、模型和体验层面推动效果提升？
这题考的是 AI 产品经理能否把大模型效果从一句主观好不好，拆成可定义、可评测、可归因、可迭代的产品质量闭环，并能说清不同优化手段的边界。
同题还出现在 2 个公司岗位
数据产品经理如何理解数据智能体，并结合应用商店数据产品说明它能提升哪些分析、决策和运营效率？
这题考数据产品经理对数据智能体的产品化理解。答案要把数据智能体定义成连接指标体系、数据权限、分析工具、业务语义和运营动作的智能工作流，再结合应用商店数据产品说明它如何提升分析、决策和运营效率，而不是只说一个会聊天的报表入口。
面向中小广告主的 AI Agent 投放助手应具备哪三类核心能力？产品上如何通过可解释建议、人工确认、效果反馈和风险兜底建立广告主信任？
这题考面向中小广告主的 AI Agent 产品设计。核心不是把投放后台加一个聊天框，而是定义 Agent 能帮助广告主完成诊断、执行和复盘，并通过解释、确认、反馈和兜底机制建立可持续信任。
AI Agent 遇到上下文污染、任务过长或工具结果不可靠时，如何用上下文裁剪、状态机拆分和工具链治理提升稳定性？
这题考 Agent 稳定性治理。关键是把上下文污染、长任务失控和工具不可靠拆开处理：上下文裁剪保证输入干净，状态机拆分保证任务可控，工具链治理保证外部结果可验证，再用 trace、回放、评测和恢复策略形成生产闭环。
insmod 和 modprobe 有什么区别，驱动模块依赖如何处理？
这题考内核模块加载工具差异，回答要说明 insmod 只插入指定 ko，modprobe 会按模块库、别名和依赖自动加载。