总览：从知识点到题型

这个专题把华为、字节、米哈游近几年公开面经和岗位要求中反复出现的 AI / 算法 / 大模型考点，改写成代表题来讲。这里的目标不是复刻原题，而是把“题目背后的知识结构”讲清楚。

题目主要来自公开面经考点、招聘方向和常见笔试题型的整理。使用时要注意：公司每年题目会变，真正稳定的是知识点和解题方法。

怎么读

建议按下面路线：

先学知识页
  -> 看对应代表题
  -> 回到专题题库刷同类题
  -> 按公司路线查缺补漏

如果是准备笔试，优先看：

1. 数学、概率与线性代数题
2. 机器学习基础题
3. 深度学习与训练题
4. AI 方向编程题思路

如果是准备算法工程或大模型面试，优先看：

1. Transformer 与 LLM 题
2. PyTorch 与工程实现题
3. 数值精度、显存与推理优化题
4. 强化学习与后训练题

题目格式

每道题尽量按统一结构写：

题目
  -> 来源背景
  -> 考点定位
  -> 先给结论
  -> 解题思路
  -> 公式推导 / 代码实现
  -> 易错点
  -> 关联阅读

这样做的原因是：招聘题通常不难在公式本身，难在面试时要把“为什么”讲清楚。比如问 AdamW，不只是背公式，还要说明 weight decay 为什么不应该简单混进 Adam 的梯度里；问 KV cache，不只是说缓存 K/V，还要会估算显存。

公司画像

公司	常见形态	准备重点
华为	AI 选择题、编程题、工程推理、模型部署相关问题	数学基础、机器学习基础、Transformer、数值精度、显存估算、推理优化
字节	算法题、机器学习面试、推荐 / NLP / LLM 项目深挖	数据结构算法、LR/GBDT/深度模型、Transformer、召回排序、训练和推理系统
米哈游	工程面、图形 / 视觉 / 游戏 AI、深度学习基础	PyTorch、CV/生成模型、C++/Python 工程、推理优化、强化学习和智能体

公开来源说明

本专题参考的是公开网页、公开面经和公开岗位描述，例如：

• 牛客华为 AI 岗机考整理
• CSDN 华为 AI 岗笔试整理
• CodeFun2000 笔试题路线
• 华为 AI 招聘方向
• 字节校园招聘岗位
• 米哈游校园招聘

为避免版权和泄露风险，本站不逐字搬运任何疑似未授权题目。所有题目都按“公开考点代表题”重写，重点放在知识解释和解题方法。

高频考点总表

模块	高频问题	对应专题
概率统计	条件概率、期望、方差、MLE、KL	数学、概率与线性代数题
机器学习	PCA、KMeans、EM、SVM、决策树、GBDT	机器学习基础题
深度学习	过拟合、正则化、BN/LN、优化器、loss 曲线	深度学习与训练题
Transformer	QKV、mask、multi-head、decoder-only、KV cache	Transformer 与 LLM 题
PyTorch	shape、autograd、Module、state_dict、train/eval	PyTorch 与工程实现题
推理优化	FP16/BF16、量化、显存、吞吐、延迟	数值精度、显存与推理优化题
强化学习	policy、value、reward、PPO、RLHF	强化学习与后训练题
编程题	数组、字符串、DP、图、模拟、top-k	AI 方向编程题思路

使用原则

一道题最好做到三层掌握：

1. 会算：能写出公式或代码。
2. 会解释：能把直觉讲清楚。
3. 会迁移：题目换一个背景仍然能认出同一个模型。

例如“交叉熵为什么等价于最大似然”可以出现在分类模型、语言模型、推荐排序、策略学习甚至变分分布拟合里。只记答案不够，关键是知道它在分布匹配中扮演什么角色。