✅ 春招备战指南 ✅ 💡 学习建议：  先尝试独立解题 对照解析查漏补缺   🧸 题面描述背景等均已深度改编，做法和题目本质基本保持一致。 🍹 感谢各位朋友们的订阅，你们的支持是我们创作的最大动力 🌸 目前本专栏已经上线200+套真题改编解析，后续会持续更新的  春秋招笔试机考招合集 -> 互联网必备刷题宝典🔗 蚂蚁-2026.04.09-算法岗 三道题方向各异：第一题考查单调性判断，第二题建模为 HMM，用 Viterbi 求最优路径，第三题需要分解最小公倍数中的质因子结构。题面表述清晰，难点在于每题所用模型差异较大，切题方向需要分开判断。 1. 柯南的机关积分 问题描述 柯...

有面试过同岗的朋友欢迎评论区交流1.手撕:立方根2.为什么用树模型，没考虑DNN模型3.怎么衡量特征重要性4.transformer中的q、k、v怎么理解5.计算注意力分数时为什么要除dk的平方根，了解更前沿的控制尺度的方法吗

项目深挖更细，还聊了一道 CUDA 脑暴题这场蚂蚁二面的感觉和一面不太一样。一面更像是先确认你做过什么、懂到什么程度，二面则明显更深，基本是顺着项目细节一路往下追，尤其会反复确认你到底是不是亲手做过优化、怎么判断优化价值、怎么分析性能边界，以及你对更上层系统有没有兴趣。开场还是先让我用一个比较高层的方式讲实习经历、项目经历和职业规划，我这边还是重点放在了算子优化、图优化、量化推理 runtime 这些内容上。项目部分一开始还是围绕我现在做的方向展开。我先讲了三个相对核心的点：一个是单算子优化，一个是稳定性问题修复，一个是算子融合。单算子优化这块，我举的是把旧的手写实现替换成高性能库实现，再做单...

发一下问题给大家参考，攒攒人品！1.手撕:岛屿数量2.如果把树模型升级为DNN模型，你会怎么做3.DIN的核心结构是什么4.用户的行为训练在训练的时候需要补齐吗5.embedding如何得到的6.推荐系统整体链路了解吗7.召回、粗排、精排各有什么经典模型

1．自我介绍2．字节实习提问．业务背景提问，建模的对象．垂类的视频得分是如何构建的．新加的特征是怎么得到的．介绍 MMCN 网络， MMCN 网络细挖，为什么 MMCN 不重复对其他头做交叉．介绍 scaling 的工作．介绍 tokenmixer 和 onetrans 的区别3．代码：．快速排序📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

项目深挖很多，也聊到了互联和软件硬件协同最近面了一场阿里云的 AI Infra 二面，整体感受是，这轮不是那种偏八股或者偏刷题的面试，更像是围绕项目经历一路深挖，看你到底有没有真的做过优化，也看你对自己后面想做的方向是不是足够清楚。开头还是常规自我介绍，我主要讲了自己现在在做的方向，包括 AI Infra、异构计算、底层性能优化，以及一些算子开发、图优化、推理优化相关的经历。后面的问题也基本都是顺着这些内容往下展开。前半段主要是在深挖项目。面试官先问了我现在做过的几类事情，我把内容归成了三块：一块是算子优化，一块是算子融合和图优化，还有一块是一些稳定性问题和 bug 修复。这里他问得比较细，不...

1．自我介绍2．字节实习提问．业务背景提问，建模的对象．垂类的视频得分是如何构建的．新加的特征是怎么得到的．介绍 MMCN 网络， MMCN 网络细挖，为什么 MMCN 不重复对其他头做交叉．介绍 scaling 的工作．介绍 tokenmixer 和 onetrans 的区别3．代码：．快速排序📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

mmt项目拷打1.故障码你怎么理解 排查思路2.负载优化思路3.项目这个内存泄漏怎么排查的4.讲一下这个增量的机制 为什么换这个线程的调度策略不换另一个5.这个容器传的数据是什么?等等还有很多 其实不深 准备的很多都没问到八股环节 (只记得一部分)1. 如何理解C++智能指针？详细介绍2. shared_ptr的引用计数加一操作是否线程安全？怎么实现加一的3. 能否在类内部将this指针赋值给shared_ptr，会引发什么后果？4. 请讲解C++中std::move的原理与使用场景？5. C++中malloc和new的核心区别是什么？6. 能否通过malloc申请内存后强转为类的指针使用？7. 调用malloc申请50M内存时，系统会立刻占用50M物理内存吗？8. C++中的vector是否是线程安全的？扩容机制9. 一个线程对vector执行push_back，另一个线程同时读取front和back，该操作是否安全？10. 若vector容量分配为150，一个线程push_back、另一个线程读取，是否可以不加锁？11. 对vector进行一边写（push_back）一边读的操作，是否会出现线程安全问题？(只记得这些)手撕:从零实现删除链表倒数第n个节点，自定义链表结构鼠鼠一直在看项目很多八股都忘了，一半都没答上来，感觉面试官很好问题也会重复，给时间思考，手撕慢也一直在等我。我真是个飞屋。。很自责感觉辜负面试官了。

先做代码题，再深挖算子优化、图融合和量化这场阿里一面整体给我的感觉是，节奏比较紧，前面先处理了一个在线代码题，后面基本都是顺着项目经历往下深挖。代码题是“队列的最大值”，要求均摊 O(1) 地返回当前队列最大值，我当时用的是普通队列加单调双端队列这套常见思路：一个队列维护正常入队出队，另一个双端队列维护当前可能成为最大值的候选元素。这个题本身不算特别难，但相当于是先热一下身，也看你对基础数据结构是不是熟。后面的主体还是项目追问，而且问得挺细。面试官先从我做过的算子优化、图优化这些经历切进来，重点问的是：你到底怎么判断哪些地方值得优化，哪些算子值得单独提出来做性能优化，哪些链路值得做融合。我当时...

被横向挂了，希望发出来对大家有帮助！1.实习拷打2.介绍项目3.chunk怎么切的4.数据集的处理5.训练参数设置6.lora的原理7.为什么主流大模型都是decoder，而不用encoder8.为什么带think的推理模型，输出会更准确？9.手撕：按要求切割一段话

给我面没招了，发点面经攒攒人品～1.项目拷打2.上传文档时，是一个一个上传还是批量上传3.文档chunk完有多少id4.做完rag后llm能理解图片里的内容吗，还是通过加入上下文token后靠文本理解5.多路召回和重排序是怎么提高检索成功率的6.怎么解决幻觉问题7.介绍一下对temperature的理解8.介绍一下langchain和langgraph9.算法题口头说一下1200w的数据里，怎么找到中位数

算子优化、量化、图优化都问到了最近面了蚂蚁的 AI Infra 一面，整体感受是，这一轮比较偏工程理解，不是只问八股，更想看你是不是真的做过优化，能不能把问题、分析过程和思路讲清楚。一开始是自我介绍，后面主要围绕我现在实习里做过的事情展开。面试官先让我讲了实习中解决过的一些问题，重点问到一个算子要不要优化，该怎么判断，以及如果决定优化，具体会怎么做。我这里主要是从热点分析、瓶颈判断和优化路径选择几个角度来回答。比如先看它是不是耗时热点，再看问题到底是算力瓶颈、访存瓶颈，还是调度和启动开销，然后再决定是做 kernel 优化、算子融合、图优化，还是数据布局调整。后面问得比较多的是量化。先考察了我...

1. 做一下自我介绍，重点讲你在 AI 编码和跨端工程结合上的经历2. Flutter 的核心原理是什么，如果不从 Widget 开始讲，你会怎么讲Flutter 真正的核心不是 Widget，而是它自带了一整套渲染体系。它绕过了各平台原生控件树，直接基于 Skia 或 Impeller 进行绘制，上层通过 Widget、Element、RenderObject 三棵树来描述配置、生命周期和布局绘制职责。Widget 是声明式配置，Element 负责把配置和实例关系稳定下来，RenderObject 才是真正参与 layout、paint、hitTest 的对象。这样做的好处是跨平台一致性很...

面试时间25min，无手撕无vibe coding1.自我介绍2.本科和硕士研究方向3.项目1拷打，相关八股：LoRA原理、大模型复读机现象、微调和RAG对比4.项目2拷打，相关八股：RAG原理、Agent组成、记忆如何存储5.使用的AI工具6.多Agent如何协同，为什么用多Agent7.实习拷打

有面试过同岗的朋友欢迎评论区交流1.pre train sft dpo是怎么做的2.rmsnorm和layernorm的区别3.lora的原理4.怎样判断数据集的好坏5.dpo的原理6.dpo数据集里的chosen和rejected差别越大越好还是模糊一点好7.手撕多叉树转成二叉树(递归+双指针)

1. 自我介绍2. 多模态里的旋转位置编码是怎么落到二维视觉 token 上的二维视觉 token 不像纯文本那样天然是一维顺序，所以多模态里的 RoPE 通常不会直接照搬文本侧。常见做法是把二维位置拆成行和列两个轴，分别做旋转位置编码，再把两个方向的信息组合到同一个视觉 token 表示里。这样模型在注意力里不仅能感知“前后”，还能保留一部分“上下左右”的相对结构。真正难的不是公式本身，而是视觉 token 经过压缩、重采样、patch merge 之后，原始空间坐标已经不再一一对应。这个时候二维 RoPE 的设计就要和视觉编码器、projector 以及后续 token 压缩方式一起看，否...

攒人品！！！ 大家都要拿到暑期实习的offer啊！！！项目一：1. 你这里的意图判断是怎么做的？直接交给模型做，还是这个用户的查询query做了一些其他处理。2. 为什么要设计这三层记忆架构，是一个通用的设计还是参考了什么论文。3. Agent 的评估是怎么做的4. 有没有评估过你的记忆架构，在没参考openclaw之前和之后的指标有什么变化，成功率有对比吗？5. 你之前向量检索加redis缓存是怎么做的？ redis健和值是什么？6. 新的记忆加到文件里 是直接append吗？ 覆盖？还是改写？7. 改的方式 模型改吗？模型调用editor去改文件是吗？8. 你觉得 redis+milvus向量存储 和mysql+文件系统+向量检索，他们的优劣如何？优点缺点分别是什么。9. 其实我比较感兴趣的是他们这两种方式的查询检索召回 效率的对比。10. 对于每一个用户，在系统中怎么保存这些不同用户的文档？11. 其实就是模型通过路径去读这些文件是吧，那如果两个人登了同一个账号，在同一时刻，这个文件会被两个不同的用户使用，在这个情况下，你们的系统如何处理？怎么解决这个问题？项目二：1. 你说你的文档准确率达到90%，具体做的改变是什么。2. 那为什么医院的问答项目里，不采用同样的实现3. 你说pdf表格密集，那假如用户就是问一个表格里，第二行是2025年，第三行是2024年，具体问2025年的值是多少，你的系统能做到吗？4. skill是自己写的吗 ，互相之间可以联动吗？5. 为什么不用skill-creator6. 你的数据集是怎么收集的，然后是怎么评估的呢？打分是谁在打分？人在打分 ，还是模型裁判员去打分？如果有很好用的模型裁判员，为什么不用裁判员模型7. 介绍一下KV cache8. 讲一下transfromer架构。算法题1. 字符串数字相减2. 字符串最长连续序列

面试很难，还是要多多练习AI coding笔试（30min一些八股：1.Attention的QKV怎么计算，WQ/WK/WV的形状2.MOE的路由机制，稀疏vs稠密3.KV Cache在prefill和decoding阶段的读写差异4.大模型幻觉怎么规避5.微调后出现复读机怎么排查6.SFT够用 vs 必须上DPO/RL怎么判断7.DPO损失函数的潜在问题8.KL散度在模型对齐里的作用9.接着问了google的TurboQuant kv cache10.项目深挖11.灾难性遗忘怎么解决等问题

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...