快手面试题 · 方案权衡 · Transformer
快手相关面试题，按最终去重题目聚合。
共 3254 道真题 · 当前筛选命中 15 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · Transformer
考察点
技术栈
第 1 题Attention机制有哪些常见类型？位置编码有哪些常见方式？ 考察对Transformer核心组件Attention机制和位置编码的分类与原理理解第 2 题Pre Norm 与 Post Norm 的区别是什么？ 考察对 Transformer 归一化位置及其对训练稳定性和性能影响的理解第 3 题MOE(混合专家模型)和传统Transformer的核心区别是什么? 考察对MoE架构及其与标准Transformer差异的理解第 4 题在 Transformer 架构中，MOE（混合专家模型）一般加在哪些位置？ 考察对 MOE 组件在 Transformer 中部署位置的理解第 5 题多头注意力机制有哪些常见的改进方向？请举例说明。 考察对注意力机制变体的了解与对比能力第 6 题为什么Transformer使用三角函数位置编码，相比于[1,2,3..]这种硬编码的好处在哪？ 考察位置编码设计动机与相对位置信息建模第 7 题Transformer 的 Encoder 可以去掉 FFN（前馈网络）吗？为什么？是否可行？ 考察对 Transformer 结构各组件作用及权衡的理解第 8 题为什么KV Cache对长上下文推理尤其关键？ 考察对长上下文推理复杂度与缓存依赖的理解第 9 题在 DIN（Deep Interest Network）中，Attention 的计算方式与标准 Transformer 的 Attention 有何不同？ 考察对 DIN 中局部激活单元（Attention 机制）的理解及其与 Transformer Attention 的对比第 10 题我们现在是两阶段推荐架构：第一阶段召回用的是 embedding 点积召回，第二阶段是 MLP 跟 transformer 做多目标打分。那你觉得在我们这么大规模的数据量下，如果要做 real-time re-ranking，你会在架构上怎么做 trade-off？怎么压低 latency？ 考察推荐系统实时重排架构的延迟与效果权衡能力第 11 题请讲解MHA、MQA、GQA和MLA的原理与区别，并说明各自的适用场景。 考察对注意力机制变体的理解深度及工程选型考量第 12 题Prenorm和Postnorm是什么区别？ 考察对Transformer及深度学习模型中归一化位置选择的理解第 13 题Encoder-Decoder、Decoder-Only 哪种方式更好？ 考察对两类模型架构的适用场景和技术权衡的理解第 14 题Transformer现有架构在什么情况下，哪个模块会导致用户意图判别不准？ 考察对Transformer各模块原理及意图判别失败场景的理解第 15 题在多头注意力中，存在哪些常见的变体？如何设计新的变体？ 考察对注意力机制变体的了解与设计思考