那必然开发ai大模型的

笔试时间：2026年3月18日往年笔试合集：2023春招秋招笔试合集2024春招秋招笔试合集第一题：大模型训练显存优化算法题目在大模型训练中，为解决NPU显存不够用的情况，通常采用张量swap或者张量重计算的方式进行优化；张量swap是把张量的数据先搬到CPU，需要的时候，再从CPU搬回NPU；张量重计算是在需要张量的值时，在NPU上重新把张量的值计算出来。假设把模型部署到NPU上，还需要 m 大小的存储空间，才能让大模型运行起来；目前有 n 个候选张量，每个张量占用一定的存储空间；n 个张量中的每个张量都可以进行swap或者重计算，swap和重计算分别对应不同的代价；试着编写一段程序，从 n...

发一下问题给大家参考，攒攒人品1.项目拷打2.你在去部署或者训练预训练或者后训练的模型时，有没有用过一些比较底层的一些训练的调试的工具，比如说千卡的话很容易就会出NCCL timeout，如果出现 NCCL timeout，一般怎么定位和解决？3.像那种rl里面的那个MOE之类的那种的优化有去做过吗4.看您的训练经验比较丰富，而且您上线运行的推理内容之前也进行过一些什么样的优化吗？5.有没有做过 kernel级别的优化？比如用 CUTE DSL或者手写 CUDA去做 fusion这类算子融合优化，介绍一下6像底层，如果你们在做.kernel fusion，倾向于用什么方式来做7.有没有哪次你做了 fusion 结果性能反而下降的？原因是什么8.平时写 CUDA的时候，有没有关注到底层实现细节？比如你刚提到 FA2，那再往下一层，像 Hopper架构里那个 warp specialization是什么，它底层大概是怎么实现的9.试过用 Agent去生成cuda内核么，怎么去做的

1. Agent 的架构设计一个完整的 Agent，一般不是单独一个大模型就能跑起来，核心会拆成几层。最上面是任务入口，负责接收用户问题和上下文；中间是决策层，负责意图识别、任务拆解、规划和工具选择；下面是执行层，真正去调工具、查知识库、访问服务；最后是记忆和状态层，维护多轮上下文、历史执行结果和中间变量。如果做得再工程化一点，通常还会加一个校验层。因为模型规划出来的步骤不一定总是对的，工具参数也可能填错，所以在执行前后都要做检查，比如参数合法性校验、工具返回结构校验、结果一致性校验。Agent 真正难的地方不是“能不能想”，而是“想完之后能不能稳定执行”。2. RAG 的检索如何实现RAG ...

拿到offer不知道要不要去。不懂就问，应届生应该选择去游戏测试吗，感觉纯黑盒测试，不知道后续要怎么发展（没说游测不好的意思）。倒是想过后续内部转成开发，但是不知道现不现实。