快手AI Infra校招面经 感觉好难

📍面试公司：京东infra一面（更新2026/03/25已挂）🕐面试时间：2026/03/23💻面试岗位：ai infra❓面试问题：零、查户口，问我啥时候毕业，哪里人，哪个专业，手头上有没有offer，面过其他什么公司？（简历上有但是会问）一、项目拷打（十分钟）二、八股（二十五分钟）1、讲一下大模型推理优化有些方法？                                      ——（这个问的很宽泛，可以从各方面回答）2、你刚刚说到有pageattention，这个具体是什么？               ——（上个问题的追问）3、Flashattention为什么能加速，计算过程是什么？4、你有讲到PD分离机制，那么如何实现调度队列？5、PD分离的时候chunk prefill是指同一个请求的PD插入吗？      ——（这里回答说A的prefill chunk过程中插入B的decoder，而不是A的decoder）6、C++的多态如何实现？7、你刚刚说的虚函数是怎么实现多态的，请具体说说看？8、你说了虚函数表，那么虚函数表里面的函数顺序是怎么样的？是按照声明顺序吗？   ——（这个问题我没答好）三、手撕（快排）（十五分钟）没写出来😭，其他排序都会写，就这个忘了，我又炸了。。。。。。/(ㄒoㄒ)/~~四、反问1、公式一问（我今天表现怎么样？对我有什么建议吗？）答：整体表现还可以，快排写不出来很不应该，我们这边很重视这个代码能力。（意思是寄/(ㄒoㄒ)/~~）2、他都这么说了，我也不好意思再问下去了。🙌面试感想：大概是寄了，就当积攒经验了，还有26届的同学还在找工作吗，可以交流交流看看。

1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

1.拷打项目推理框架算子如何优化的如何构建Memory pool的如何对框架进行测试的？数据量有多少2.八股Vllm的page attention了解吗？chunk prefill是如何实现的？continous batching了解吗？3.leetcode二维数组每行有序，求第K小的元素（prioirty_queue，只写出来暴力）

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...