人工智能面试题 · 性能优化
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 605 道 · 更新 2026-08-05
筛选题目已选：性能优化
考察点
技术栈
第 1 题在工业界，DeepFM因特征交叉数量过多导致算力或效果问题时，有哪些工程化处理手段？ 考察特征筛选、模型设计与工程优化的综合能力第 2 题辅助损失函数可能导致噪声拟合，如何避免这种情况？ 考察对辅助损失作用机制的理解及正则化与调参策略第 3 题结合你的项目经验，请谈谈一个基于RAG的应用在性能调优方面你会怎么做？ 考察RAG系统性能优化思路和项目实践第 4 题在 RAG 系统中，你们是否使用 rerank？如何做？ 考察重排模型在 RAG 中的应用与实现细节第 5 题谈数据处理流程、长尾问题发现和优化 考察数据处理流程理解、长尾问题识别与优化能力第 6 题你是否了解KV Cache的作用与实现？ 考察对Transformer推理加速关键技术的理解深度第 7 题请说明 DeepSpeed 的 ZeRO-1、ZeRO-2 和 ZeRO-3 分别优化了什么？ 考察对 ZeRO 各阶段内存优化策略的理解与区分第 8 题请讲解 Flash Attention 的核心原理，并说明它如何降低显存占用和提升计算效率。 考察对现代注意力机制优化的理解及原理迁移能力第 9 题模型训练时间如何估计？ 考察对训练时间影响因素的理解和估算能力第 10 题如果你要在 GPU 资源有限的条件下同时提供推理和微调服务,如何做资源分配和任务调度以保证时延和吞吐? 考察在有限 GPU 资源下对推理与训练负载的资源管理、调度策略及性能权衡第 11 题请解释大模型推理中KV Cache的原理与作用。 考察对KV Cache机制的理解及其在推理加速中的角色第 12 题请描述一次你对前端或计算机系统中的 reduce 操作进行性能优化的过程，包括你所遇到的具体场景、分析方法、优化措施与最终效果。 考察候选人对常见技术点优化的系统化思维与实际问题解决能力第 13 题请介绍RAG系统中Embedding模型的作用、选型要点和常见优化方法。 考察对RAG中Embedding模型的理解和实际应用能力第 14 题FFN的权重在实践过程中有什么优化方案 考察对前馈网络权重优化的理解与实际应用第 15 题OFDM的峰均功率比受什么影响，为什么峰均功率比过高会影响性能损失？ 考察对OFDM系统峰均功率比成因及其对性能影响的深入理解第 16 题将模型从 SenseVoice Small 迁移到 Large 版本有哪些考量？ 考察对模型规模升级的工程权衡与部署影响评估第 17 题给定字符串 S 和 T，请找出 S 中涵盖 T 所有字符的最小子串，并说明算法的时间复杂度。 考察滑动窗口解决最小覆盖子串问题第 18 题在利用已有深度先验辅助单目估计时，你会关注哪些细节来保证最终深度图的准确性和鲁棒性？ 考察对深度估计工程化细节的把控第 19 题在深度学习中，如何进行多卡并行训练？请介绍常用方法及其适用场景。 考察对数据并行、模型并行等分布式训练策略的理解第 20 题如何让语言模型不仅具备很强的推理能力，同时也具备良好的文采能力？ 考察对大模型能力构成、训练范式与文本生成质量的理解