华为、字节、米哈游考点地图¶
这一页先按公司整理准备方向。它不是“押题”，而是把公开面经和岗位描述中反复出现的知识点映射到本站章节。
总表¶
| 公司 | 常见题型 | 高频知识点 | 对应章节 |
|---|---|---|---|
| 华为 | AI 选择题、编程题、模型部署、工程推理 | PCA、EM、KMeans、Transformer、RAG、量化、显存估算 | 机器学习基础题、Transformer 与 LLM 题、数值精度、显存与推理优化题 |
| 字节 | 算法题、ML 面试、推荐 / NLP / LLM 项目深挖 | LR、GBDT、BERT、attention、召回排序、优化器、线上推理 | 机器学习基础题、深度学习与训练题、PyTorch 与工程实现题 |
| 米哈游 | 工程面、图形 / 视觉 / 生成模型、游戏 AI | CNN、PyTorch、数值精度、推理优化、强化学习、agent | 深度学习与训练题、强化学习与后训练题、AI 方向编程题思路 |
华为路线¶
华为 AI 岗常见特点是：题面可能覆盖很宽，从数学、机器学习、深度学习到大模型部署都会出现。准备时要优先补齐基础概念和工程估算能力。
建议顺序：
典型追问包括：
- PCA 为什么要中心化？
- EM 的 E 步和 M 步分别在优化什么？
- Transformer 中 \(QK^T/\sqrt{d_k}\) 为什么要除以根号维度？
- BF16 和 FP16 谁更容易溢出？
- 一个 batch 的 KV cache 大约占多少显存？
回答策略：
- 先说定义。
- 再说公式。
- 最后说工程含义。
比如显存题，不要只说“占很多显存”，而要写：
\[
\text{bytes}
=2\times L\times B\times h\times N\times d_h\times \text{bytes\_per\_element}.
\]
字节路线¶
字节算法面试通常更重视“能否把模型放到真实业务里”。因此机器学习基础、推荐系统直觉、NLP / LLM 结构、项目细节都会被追问。
建议顺序：
典型追问包括：
- LR 为什么适合做二分类和 CTR 预估？
- GBDT 和随机森林的区别是什么？
- BERT 和 GPT 的 mask 有什么不同？
- Adam 和 AdamW 的区别是什么？
- 如果线上推理延迟太高，你会怎么优化？
回答策略：
- 先把任务目标说清楚：分类、排序、生成、检索。
- 再把模型输入输出说清楚。
- 最后讨论线上约束：延迟、吞吐、显存、稳定性。
米哈游路线¶
米哈游公开 AI 真题相对少，准备时更适合按岗位能力反推：游戏、图形、视觉、生成模型和智能体相关岗位会重视工程实现、模型理解和系统调试能力。
建议顺序：
典型追问包括：
model.eval()和torch.no_grad()是一回事吗？- BatchNorm 和 LayerNorm 为什么适用场景不同？
- 图像任务为什么常用 CNN？
- 游戏 AI 中 reward shaping 有什么风险？
- 推理时为什么可以使用 INT8 量化？
回答策略：
- 多讲 shape、数据流和运行模式。
- 工程题要能指出 bug 来源，例如 device mismatch、inplace 破坏计算图、显存泄漏。
- RL 题要强调 reward 设计可能导致模型钻空子。
横向能力¶
三家公司都需要的能力可以归纳成四类：
| 能力 | 体现 |
|---|---|
| 数学表达 | 能把 loss、概率、梯度、矩阵 shape 写清楚 |
| 模型理解 | 能解释模型结构为什么这样设计 |
| 工程落地 | 能处理 dtype、device、显存、推理延迟 |
| 编程实现 | 能在有限时间写出正确、可读的算法代码 |
因此复习不要只背概念。每个知识点都至少要会回答：