大厂真题 / 华为

华为 6.24 笔试真题 - AI岗

本场考试概述

考试时间：2026年6月24日 考试岗位：AI岗（AI算法工程师、AI应用开发工程师、AI数据科学工程师等） 难度评级：中等偏上

考点分析：

选择题（20 道）：大模型（Beam Search、RAG、注意力机制、Flash Decoding）、深度学习（激活函数、RNN/LSTM、Transformer）、数学基础（方差、PCA、几何分布、线性代数）
第一题：动态旋转位置编码（RoPE）——大模型位置编码 + 公式模拟（难度中等）
第二题：最优分段常数量化——区间 DP + 决策单调性分治优化（难度困难）

建议策略：

选择题以大模型与深度学习基础概念为主，先快速扫一遍稳拿分
第一题严格按 NTK-aware RoPE 的三步公式逐对模拟即可，注意全程用 float64 与定点输出舍入
第二题先写 $O(K \cdot N^2)$ 朴素区间 DP 拿部分分，再用决策单调性分治优化到 $O(K \cdot N \cdot \log N)$ 拿满分

选择题（20 道）

一、单选题

1. Beam Search 的主要作用是？

A. 搜索最优生成路径 B. 减少生成时间 C. 增加多样性 D. 随机采样

答案：A 考点：大模型—生成策略解析：Beam Search 维护多条候选路径按累积概率择优扩展，逼近全局最优生成序列。它牺牲速度换质量，不减少时间也不增加多样性。

2. 以下哪项不是 Embedding 在 RAG 中的核心作用？

A. 将查询与文档映射到同一语义空间 B. 压缩文档存储空间，减少磁盘占用 C. 通过余弦相似度计算语义相关性 D. 支持跨语言检索

答案：B 考点：大模型—RAG 解析：Embedding 向量本身还增加了额外存储开销，压缩存储不是其核心作用。

3. 关于 Sigmoid 激活函数，下列说法错误的是？

A. 平滑可导，便于反向传播 B. 易出现梯度消失 C. 输出均值为 0，有利于加快收敛 D. 输出范围 $(0,1)$，可用于二分类输出层

答案：C 考点：深度学习—激活函数解析：Sigmoid 输出范围 $(0,1)$，均值约 $0.5$ 而非 $0$，非零中心会使梯度更新呈锯齿状。

4. 多模态对齐中，对比损失与匹配损失的目标差异？

A. 对比损失只优化正样本对 B. 两者完全相同 C. 对比损失拉近正样本对、推远负样本对；匹配损失仅优化二分类边界 D. 对比损失需大规模负采样，匹配损失只需 1 个负样本

答案：C 考点：大模型—多模态对齐解析：对比损失（InfoNCE）在嵌入空间中建模样本间相对距离；匹配损失（ITM）是”是否匹配”的二分类，不关注负样本之间的距离。

5. 自注意力机制中 Q、K、V 通过什么方式得到？

A. 循环神经网络生成 B. 输入向量与三个不同权重矩阵相乘 C. 随机初始化后不变 D. 直接从输入复制

答案：B 考点：深度学习—Transformer 解析：$Q = XW_Q$，$K = XW_K$，$V = XW_V$，三个可学习的权重矩阵在训练中更新。

6. 关于 Softmax 函数的输出特性，正确的是？

A. 所有输出之和等于 1 B. 输出值可能为负 C. 同一输入每次输出不同 D. 输出与输入成线性关系

答案：A 考点：机器学习—逻辑回归解析：Softmax 将实数归一化为概率分布，输出非负且和为 1。

7. Transformer 中自注意力的主要作用？

A. 降维 B. 生成词嵌入 C. 捕获长距离依赖 D. 映射到固定长度向量

答案：C 考点：深度学习—Transformer 解析：自注意力让每个位置直接与全序列交互，高效捕获长距离依赖。

8. RNN 的主要特点是？

A. 处理序列数据 B. 以上都是 C. 权重共享 D. 具有记忆能力

答案：B 考点：深度学习—RNN 解析：RNN 通过循环结构处理序列（A），各时间步共享权重（C），隐藏状态保留历史信息（D），三者皆为其特点。

9. $\text{Var}(X) = 4$，则 $\text{Var}(2X + 3)$ 的值是？

A. $16$ B. $19$ C. $11$ D. $8$

答案：A 考点：数学—概率解析：$\text{Var}(aX+b) = a^2 \text{Var}(X) = 4 \times 4 = 16$。

10. PCA 降维，特征值总和为 100，前 5 个特征值为 35, 25, 15, 10, 8，累计贡献率 $\geq 90\%$ 最少保留几个主成分？

A. 3 个 B. 4 个 C. 2 个 D. 5 个

答案：D 考点：机器学习—PCA 解析：累计贡献率：35%, 60%, 75%, 85%, 93%。保留 5 个才达到 $\geq 90\%$。

11. LSTM 的主要目的是解决什么问题？

A. 计算无法并行 B. 过拟合 C. 长距离依赖下的梯度消失或爆炸 D. 输入特征降维

答案：C 考点：深度学习—LSTM 解析：LSTM 通过门控机制控制信息流与梯度通路，缓解长序列梯度消失/爆炸。

12. $n$ 个独立同分布的几何分布随机变量之和服从什么分布？

A. 几何分布 B. 正态分布 C. 泊松分布 D. 负二项分布

答案：D 考点：数学—概率分布解析：几何分布刻画”首次成功所需试验次数”，$n$ 个之和即”第 $n$ 次成功所需试验次数”，为负二项分布。

13. Flash Decoding 针对 LLM 推理哪个阶段的优化？

A. Decode B. Embedding C. Tokenization D. Prefill

答案：A 考点：大模型—推理优化解析：Flash Decoding 对长上下文 KV 沿序列维度切分并行计算注意力，专门加速 Decode 阶段。

14. ReLU 相比 Sigmoid 的主要优势不包括？

A. 缓解梯度消失 B. 计算速度更快 C. 稀疏激活 D. 输出以零为中心

答案：D 考点：深度学习—激活函数解析：ReLU 输出恒非负，不是零中心，这反而是它的缺点。

15. Multi-Head Attention 参数量和 FLOPs？

A. 参数量 $3d^2 + d^2$，FLOPs 与序列长度线性 B. 参数量与序列长度相关 C. 参数量 $4d^2$，FLOPs 主要项 $O(n^2 d^2)$ D. 参数量 $4d^2$（忽略 bias），FLOPs 中与序列长度相关的主要项为 $O(n^2 d)$

答案：D 考点：深度学习—Transformer 解析：Q/K/V 三个投影各 $d^2$，输出投影 $d^2$，共 $4d^2$，与 $n$ 无关。FLOPs 含 $O(nd^2)$ 投影和 $O(n^2 d)$ 注意力计算，后者是高阶主项。

二、多选题

16. 深层网络中倾向使用 ReLU 而不是 Sigmoid 的原因？

A. Sigmoid 两端饱和导致梯度消失 B. Sigmoid 输出非零中心，梯度更新锯齿状 C. ReLU 计算涉及指数运算，比 Sigmoid 高效 D. ReLU 正区间导数恒为 1，利于梯度回传

答案：A, B, D 考点：深度学习—激活函数解析：C 说反了，含指数运算的是 Sigmoid。

17. 基于 K 近邻关系归组的常见挑战？

A. 对异常点和噪声敏感 B. 大规模数据下近邻搜索开销高 C. 高维空间中近邻关系不稳定 D. 不同 K 取值导致结果差异大

答案：A, B, C, D 考点：机器学习—KNN 解析：四项都是 KNN 类方法的已知挑战。

18. 反向传播算法的优势包括？

A. 高效计算梯度 B. 实现简单 C. 适用于深度网络 D. 计算复杂度低

答案：A, C, D 考点：深度学习—反向传播解析：反向传播利用链式法则复用中间结果，计算量与前向传播同阶。B”实现简单”不是其相对优势。

19. 哪些矩阵一定可逆？

A. 单位矩阵 B. 满秩方阵 C. 零矩阵 D. 行列式不为 0 的方阵

答案：A, B, D 考点：数学—线性代数解析：零矩阵行列式为 0、秩为 0，不可逆。

20. 哪些情况可能导致模型对齐失效输出有害内容？

A. RLHF 数据质量不足 B. Temperature 设置过高 C. 训练数据含大量有害言论 D. 攻击者使用越狱提示词

答案：A, B, C, D 考点：大模型—对齐安全解析：四种情形都可能导致有害输出。

第 1 题：动态旋转位置编码

题目描述

实现 Dynamic NTK-aware Scaled RoPE：根据当前序列长度 $T$ 动态调整基频，对位置 $m$ 处的向量逐对施加二维旋转。

动态缩放因子：$s = \max(1, T/L)$，其中 $L$ 为原始预训练长度
基频变换：$\text{base}’ = b \cdot s^{D/(D-2)}$
第 $i$ 对维度的旋转角：$\theta_i = m \cdot \text{base}’^{-2i/D}$
旋转变换：$x’{2i} = x{2i} \cos\theta_i - x_{2i+1} \sin\theta_i$，$x’{2i+1} = x{2i} \sin\theta_i + x_{2i+1} \cos\theta_i$

输出保留 4 位小数。

样例

输入

368 276 16 1450.9560044215173 209
-1.8728 1.3494 1.2030 -0.5053 -1.0223 -0.4466 1.5474 0.0967 0.0820 -2.1588 0.9543 0.0011 -0.0810 0.4860 -0.0258 0.2101

输出

-1.1873 -1.9795 0.3002 -1.2698 -1.0961 -0.2079 1.3933 -0.6801 -2.1600 0.0418 -0.2163 0.9295 -0.3734 0.3215 -0.0806 0.1957

输入

20 10 16 100.0 12
1.0 0.0 -1.0 0.5 0.3 -0.2 1.0 0.0 -1.0 0.5 0.3 -0.2 1.0 0.0 -1.0 0.5

输出

0.8439 -0.5366 -0.9001 0.6631 -0.2941 0.2085 -0.0147 0.9999 -1.0526 -0.3769 0.3549 -0.0634 0.9781 0.2080 -1.0476 0.3907

思路分析

第一步：理解 NTK-aware RoPE

标准 RoPE 用固定基频 $b = 10000$ 对不同维度对赋予不同频率的旋转。当推理序列超过预训练长度时，需要动态内插：通过放大基频来拉伸低频分量的波长，使更长上下文中仍能区分相对位置。

第二步：三步公式直接模拟

计算缩放因子 $s$（仅当 $T > L$ 时放大）
计算新基频 $\text{base}’ = b \cdot s^{D/(D-2)}$
对 $D/2$ 对维度依次计算旋转角 $\theta_i$ 并做二维旋转

第三步：精度注意

全程使用 float64，输出统一 4 位小数，注意 -0.0000 要输出为 0.0000。

题解代码

import math

first = input().split()
T = int(first[0]); L = int(first[1]); D = int(first[2])
b = float(first[3]); m = int(first[4])
x = list(map(float, input().split()))

s = max(1.0, T / L)
base = b * s ** (D / (D - 2))

out = [0.0] * D
for i in range(D // 2):
    theta = m * base ** (-2.0 * i / D)
    c = math.cos(theta)
    sn = math.sin(theta)
    p = 2 * i
    out[p] = x[p] * c - x[p + 1] * sn
    out[p + 1] = x[p] * sn + x[p + 1] * c

def fmt(v):
    t = f"{v:.4f}"
    return "0.0000" if t == "-0.0000" else t

print(" ".join(fmt(v) for v in out))

复杂度分析

时间复杂度：$O(D)$，遍历 $D/2$ 对维度。 空间复杂度：$O(D)$。

第 2 题：最优分段常数量化

题目描述

给定已排序的 $N$ 个整数序列，将其划分为至多 $K$ 个连续区间。每个区间用其下中位数（长度为偶数时取第 $\lfloor(\text{len}+1)/2\rfloor$ 个数）作为代表值，区间误差为所有数到代表值的绝对误差之和。求最小总误差。

样例

输入

3 1
1 2 3

输出

输入

5 2
1 2 10 11 12

输出

思路分析

第一步：定义区间代价

数据已排序，区间 $[l, r]$ 的下中位数位于下标 $\lfloor(l+r)/2\rfloor$，用前缀和可以 $O(1)$ 计算区间内所有数到中位数的绝对误差之和。

第二步：区间 DP 状态设计

设 $f[k][i]$ 为把前 $i$ 个数划分成 $k$ 段的最小总代价：

\[f[k][i] = \min_{j < i} \left( f[k-1][j] + \text{cost}(j+1, i) \right)\]

朴素实现是 $O(K \cdot N^2)$，$N$ 较大时会超时。

第三步：决策单调性优化

代价函数 $\text{cost}(l, r)$ 满足四边形不等式，因此对固定的 $k$，最优切点随 $i$ 单调不减。利用分治：先求中点的最优切点，再左右两半各在缩小后的候选区间内搜索，单层从 $O(N^2)$ 降到 $O(N \log N)$。

第四步：多分段只减不增

多分一段不会增加总代价，最终取 $f[K][N]$ 即可。

题解代码

import sys
sys.setrecursionlimit(1000000)

def main():
    N, K = map(int, input().split())
    a = list(map(int, input().split()))

    pre = [0] * (N + 1)
    for i in range(1, N + 1):
        pre[i] = pre[i - 1] + a[i - 1]

    def cost(l, r):
        mid = (l + r) // 2
        rep = a[mid - 1]
        return rep * (mid - l + 1) - (pre[mid] - pre[l - 1]) + (pre[r] - pre[mid]) - rep * (r - mid)

    K_use = min(K, N)
    INF = float("inf")

    f = [INF] * (N + 1)
    for i in range(1, N + 1):
        f[i] = cost(1, i)

    for k in range(2, K_use + 1):
        g = [INF] * (N + 1)

        def solve(iL, iR, jL, jR):
            if iL > iR:
                return
            mid = (iL + iR) // 2
            best, bestj = INF, max(jL, k - 1)
            lo = max(jL, k - 1)
            hi = min(jR, mid - 1)
            for j in range(lo, hi + 1):
                v = f[j] + cost(j + 1, mid)
                if v < best:
                    best, bestj = v, j
            g[mid] = best
            solve(iL, mid - 1, jL, bestj)
            solve(mid + 1, iR, bestj, jR)

        solve(k, N, k - 1, N - 1)
        f = g

    print(f[N])

main()

复杂度分析

时间复杂度：$O(K \cdot N \cdot \log N)$，每层分治 $O(N \log N)$，共 $K$ 层。 空间复杂度：$O(N)$，前缀和加滚动 DP 数组。

小结

选择题覆盖面广，重点考察了 Beam Search、RAG、Sigmoid 缺陷、对比损失/匹配损失区别、Flash Decoding 适用阶段、MHA 参数量/FLOPs 等高频知识点
第一题是公式模拟题，核心是理解 NTK-aware RoPE 的三步变换（动态缩放 → 基频变换 → 逐对旋转），难度在于精度控制
第二题是本场压轴难题，朴素 $O(K \cdot N^2)$ 区间 DP 可拿部分分，满分需利用代价函数的四边形不等式性质进行决策单调性分治优化

这篇文章有帮助吗？

| GitHub 留言