写在前面

本次给大家带来2026年10月23日华为AI方向笔试题的2道题，本套题涉及到的岗位：AI算法工程师,AI应用开发工程师,AI数据科学工程师等以AI为开头的岗位，统一笔试，不区分部门。

需要我整理的AI机考速成攻略&题单可访问文章底部左侧：阅读原文

选择题（15*6分 + 5*12分，共150分）

1、自注意力层的输入序列包含  个 token，每个 token 表示成  维向量（忽略 batch 维与多头）。计算注意力得分矩阵  的复杂度是？

2、卷积神经网络中池化层的主要作用是？

• 通过激活函数为网络补充非线性表达能力
• 依靠反向传播学习卷积核，完成局部特征提取
• 统一各通道数值的均值和方差，起到归一化作用
• 按窗口聚合、压缩特征图的空间尺寸，从而降低后续计算量与参数量

3、关于主成分分析（PCA）降维，下列说法正确的是？

• 各主成分按方差贡献从大到小排列，且都是原始特征的线性组合
• PCA 是有监督方法，降维过程要用到样本标签
• PCA 的优化目标是让不同类别之间的间隔尽可能大
• PCA 对量纲不敏感，因此使用前不必做特征标准化

4、评测大模型的数学解题能力时，常用约 5200 道带唯一标准答案的中学数学题组成的数据集。对这类题目，最常用的评测指标是？

• 困惑度（Perplexity）
• 准确率（Accuracy）
• 语义相似度（Cosine Similarity）
• 单次请求的平均耗时（Latency）

5、对实数域上的向量组，下列哪一条是它线性相关的等价刻画？

• 组内所有向量的 2-范数彼此相等
• 向量组中向量的个数一定少于向量的维度
• 存在一组不全为零的系数，使它们的线性组合等于零向量
• 组内任意一个向量都不能由其余向量线性表出

6、设随机变量  服从参数  的泊松分布，则  等于？

7、Transformer 解码器自注意力里的因果掩码（Causal Mask）主要用来做什么？

• 屏蔽补位（padding）token，避免无效位置参与计算
• 让每个位置只能看到它之前的 token，防止未来信息泄漏
• 在不同注意力头之间重新分配权重，抑制多头冗余
• 把位置编码叠加到注意力分数上，补充顺序信息

8、 卷积在通道数  很大时，哪种内存布局更利于向量化、缓存更友好？其中  为 batch 大小，、 为特征图的高和宽。

• NHWC
• NCHW
• NHCW
• 每个通道单独存成一个文件

9、循环神经网络展开到时刻  时，隐藏状态  由哪些量决定？

• 只由当前输入  决定
• 只由上一时刻的隐藏状态  决定
• 由当前输入  和上一时刻的隐藏状态  共同决定
• 由整个序列最后一个输入  决定

10、某二分类模型的精确率为 0.6，召回率为 0.9，该模型的 F1 分数是？

• 0.75
• 0.54
• 0.72
• 0.68

第2题-大模型推理KV Cache 内存池管理(150分)

大语言模型自回归生成时，历史 token 的 Key 与 Value 会缓存在 KV Cache 里，后面每一步解码直接复用，不必重算。序列越长，KV Cache 占的显存越多，而且是线性增长。

工程上通常先把显存切成一堆等大的块（Block）集中管理，这套机制叫内存池（Memory Pool）：Block 一次分配好，每个 Block 装固定条数 token 的 KV 数据。

题目描述

内存池中有  个等大的 Block，每个 Block 能容纳  条 token 的 KV 数据。

现有  个推理请求，第  个请求要处理  条 token（输入长度与生成长度之和），它占用的 Block 数为 。

决策规则

1. 请求按给定顺序逐个到达。
2. 对每个请求可以选择接受或拒绝：
• 接受：被接受请求占用的 Block 总数最终不能超过 ；
• 拒绝：该请求不占用任何资源。
3. 允许在后续决策中撤销先前已接受的请求（释放它占用的 Block），以换取更好的整体结果。
4. 请求一旦被拒绝，就不能再次考虑。
5. 请求之间不允许重排，必须按到达顺序逐个决策。

优化目标

在接受的请求占用 Block 总数不超过  的前提下，使被接受的请求数量最多。

样例1

输入

4 8 320 6 11

输出

2

解释：三个请求的 Block 需求依次为 、、。只接第 1 个请求，它独占 3 个 Block，剩下 1 个 Block 哪个请求都放不下，只能接受 1 个；跳过它、改接第 2 与第 3 个请求，占用  个 Block，可以接受 2 个。三个请求全接需要  个 Block，超过上限 ，所以最多接受 2 个。

解题思路

核心思路

题面允许在后续决策中撤销先前已接受的请求，这条规则把“必须按顺序在线决策”的约束消掉了：任何一个最终合法的请求集合，都可以先把这些请求全部接受、再在必要时撤销被拒绝的那些得到；反过来，任何时刻的最终集合也只是原请求的一个子集。所以顺序不影响答案，问题等价于——从  个请求中选出尽可能多的请求，使它们的 Block 占用之和不超过 。

第  个请求的代价是 ，每个请求的价值都是 。价值全都相同、代价都是正数，这种情况下的最优策略就是先装最便宜的：把  从小到大排序，依次尝试加入，只要当前占用加上  不超过  就接受，第一次放不下就停止（它后面只会更大，没有放得下的可能）。

这样贪心为什么最优：假设某个最优解选了  个请求、总占用 。若它选中的某个请求  的代价大于某个未选中的请求  的代价，把  换成 ，数量不变、总占用不增，仍然可行；反复替换后总能得到一个“代价最小的前  项”的可行解。于是前  小的代价之和必然不超过 ，而前  小的代价之和必然超过 （否则能选  个，与最优性矛盾）。贪心取的正是这个最大可行前缀长度。

实现方法

1. 读入 、、，再读入  个 ；
2. 逐个算出 Block 需求 （向上取整，注意不能写成整除）；
3. 对  升序排序；
4. 从头累加，若  立即停止，否则 、计数加一；
5. 输出计数。

几个容易踩的点：

• 需求总数的上界是  量级，累加用的整数必须能存到 ， 位整数会溢出；
• “不超过 ”含等号，恰好填满是可以接受的；
• 不能按到达顺序遇到能放就放、放不下就跳过——不给撤销时这个策略在样例 1 上就错（先接 3 个 Block 的请求会挡住后面两个小请求）；
• 不要用  的计数背包， 时必然超时。

python代码(C++和JAVA代码见在线OJ网址)

def solve(m, k, lens):# 每个请求的 Block 需求：向上取整    need = [(x + k - 1) // k for x in lens]# 需求量从小到大排序，先放最小的一定不会更差    need.sort()    used = 0    ans = 0for b in need:if used + b > m:break        used += b        ans += 1return ansdef main():    m, k, n = map(int, input().split())    lens = []while len(lens) < n:        lens.extend(map(int, input().split()))print(solve(m, k, lens[:n]))main()

第3题-OCR 智能文字纠错(300分)

题目内容

某智能终端内置了一套基于朴素贝叶斯的字符级 OCR 纠错模块。可识别的字符集为 26 个小写英文字母 ，记 。

模块用两组统计量描述模型：

• 发射计数 ：训练语料里，真实字符  被识别成  的次数；
• 先验计数 ：训练语料里，真实字符  出现的次数。

发射概率与先验概率均做加  拉普拉斯平滑（ 为正整数）：

纠错规则：对待纠错串里的每个字符  单独决策

若多个候选同时取到最大得分，则取字典序最小者（）。

自训练流程：除了  条人工标注的「识别串 → 真实串」样本外，系统还保存着  条只有 OCR 输出、没有真实文本的样本，并迭代  轮。每一轮依次做两件事：

1. 用当前模型逐条解码这  条未标注样本，得到伪真实串；
2. 用  条标注样本，再加上这  条「识别串, 伪真实串」，重新统计  与 ，得到本轮的新模型。

每轮重新统计时，伪标注只使用本轮的，不与上一轮的累积；原始的  条标注每轮都参与。

 轮结束后，用最终的模型对测试串纠错并输出。

数值稳定性：为避免浮点误差，比较两个候选 、 时应使用整数交叉相乘：

其中 ，。分母  与候选  无关，比较时可以约去。

样例1

输入

1 3 1 2pc okqqqpq

输出

kk

解题思路

核心思路

这题的模型完全由两组计数决定：发射计数 （真实字符  被识别成  的次数）与先验计数 （真实字符  出现的次数）。加  平滑后

分母里  与候选  无关，比较时可以约掉，于是只需要比较

实现方法

1. 一轮内模型是固定的，所以每个识别字符  的最优真实字符也固定：每轮先把 26 个  的答案算成一张大小为  的解码表，之后不管解码多少条串都是查表， 一条。
2. 填表时对每个  扫一遍 26 个候选 ，用整数交叉相乘比较 ，避免浮点误差： 优于  当且仅当 。判断用严格大于，并列时不会替换，于是自然保留字典序最小的字符。
3. 每轮的流程是：按当前训练集（ 条标注 + 本轮  条伪标注）重新统计  → 建解码表 → 用这张表把  条未标注串解码成伪标注。注意下一轮的训练集是「原始  条 + 新的  条」，上一轮的伪标注要丢掉，不能累积。
4.  轮结束后再重建一次模型，用它解码测试串。注意  时用的是只在标注样本上统计出的模型。
5. 计数最大约 ， 最大约 ，交叉相乘最大约 ，超出 32 位整数范围，、 与乘积都要用 64 位整数。

python代码(C++和JAVA代码见在线OJ网址)

K = 26def count(pairs, alpha):"""统计发射计数与先验计数。"""    emit = [[0] * K for _ in range(K)]    prior = [0] * Kfor ocr, truth in pairs:for o, t in zip(ocr, truth):            emit[ord(t) - 97][ord(o) - 97] += 1            prior[ord(t) - 97] += 1return emit, priordef table_of(emit, prior, alpha):"""模型固定时，26 个识别字符各自的最优真实字符也固定，先算成表。"""    den = [0] * K    num = [[0] * K for _ in range(K)]for c in range(K):        den[c] = sum(emit[c]) + alpha * K        row = num[c]for o in range(K):            row[o] = (emit[c][o] + alpha) * (prior[c] + alpha)    table = [0] * Kfor o in range(K):        best = 0# 交叉相乘比较得分，严格大于才换人，保证并列时取字典序最小的字符for c in range(1, K):if num[c][o] * den[best] > num[best][o] * den[c]:                best = c        table[o] = bestreturn tabledef translate(text, table):return ''.join(chr(97 + table[ord(ch) - 97]) for ch in text)def solve(n, m, t, alpha, pairs, labels, test):    train = list(pairs)for _ in range(t):        emit, prior = count(train, alpha)        table = table_of(emit, prior, alpha)# 伪标注只保留本轮结果，替换掉上一轮的        train = pairs + [(s, translate(s, table)) for s in labels]    emit, prior = count(train, alpha)return translate(test, table_of(emit, prior, alpha))def main():    n, m, t, alpha = map(int, input().split())    pairs = [input().split() for _ in range(n)]    labels = [input().strip() for _ in range(m)]    test = input().strip()print(solve(n, m, t, alpha, pairs, labels, test))main()

PC端刷题:CodeFun2000.com

手机端刷题:塔子哥刷题宝