夜雨聆风学习资料网

ARTICLE · 1387172

华为机考AI方向11月20日笔试题与解析

华为机考AI方向11月20日笔试题与解析

写在前面

本次给大家带来2026年11月20日华为AI方向笔试题,本套题涉及到的岗位是: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

题号
题目
核心做法
1
AI校招选择题
DL/ML类模拟
2
推荐重排多样性筛选
DL/ML类模拟
3
智能体任务收益规划
动态规划

选择题(15*6分 + 5*12分,共150分)

1、某日志平台每天新增约千万条告警文本,用层次聚类(HAC)把它们归成模板簇。全量重跑一次要几个小时,但簇结构也不能长期不更新。下面哪种做法在工程上最可行?
  • 每收到一条告警就与全部历史样本重算距离,再整体重跑一次层次聚类
  • 用 micro-batch 把新样本攒成小批,按周期只对受影响的簇做局部合并,隔较长时间再整体重聚类
  • 只保留每个簇的中心、丢掉簇内摘要,新样本归入最近的簇后不再更新任何结构
  • 把全量距离矩阵常驻内存,每来一条新样本就整体更新一次
2、维实向量空间中,一组向量能作为该空间的一组基,需要满足什么条件?
  • 组内向量两两垂直
  • 每个向量的模长都等于
  • 任取个向量组成的集合
  • 组内向量线性无关,且空间中任一向量都可由它们线性表示
3、某运维知识库用 RAG 检索设备日志,BPE 分词后一条日志切出个 token;Embedding 维度为,每个浮点数占字节;向量库还要为每条向量额外保存字节元数据(日志 ID、采集时间、设备编号)。不考虑对齐与压缩开销,单条日志写进向量库的数据共占多少字节?
  • 4096
  • 49152
  • 4224
  • 4192
4、把两个张量按元素逐项相加(element-wise add),形状上必须满足什么前提?
  • 张量的阶数都不小于
  • 两个张量都必须带 batch 维度
  • 两个张量的形状相同,即每一维的大小一致
  • 两个张量的元素必须都是实数
5、训练门店销量预测模型时,样本里混了少量促销日的异常高销量。希望误差小时像平方损失那样平滑下降,误差大时梯度不被异常点放大。损失函数选哪个最合适?
  • Huber 损失(平滑 L1)
  • 均方误差(MSE)
  • 交叉熵损失(Cross-Entropy Loss)
  • 平均绝对误差(MAE)
6、设独立同分布,取值只有和,且、。求的最大似然估计。
7、同一张卡上跑大模型推理,长 prompt 的预填充阶段与逐 token 的解码阶段,性能瓶颈通常怎样分布?
  • 两个阶段都主要受 tokenizer 吞吐限制
  • 两个阶段都主要受 PCIe 带宽限制
  • 解码阶段没有 kernel 启动开销,因此不受调度影响
  • 预填充以大矩阵乘为主、并行度高,偏算力受限;解码 batch 小、反复读 KV cache,偏访存受限
8、设为事件,,,,。在给定的条件下,与的关系是:
  • 不条件独立,且为正相关:给定时与更容易同时发生
  • 条件独立:与相互独立
  • 已知条件不足,无法判断
  • 不条件独立,且为负相关:给定时与更不容易同时发生
9、解码器的掩码多头注意力会先把注意力矩阵的上三角位置置为再做 softmax。这样做的目的是什么?
  • 压缩输入向量的维度
  • 提高训练吞吐
  • 让第个位置的预测只用到前个位置的信息,看不到之后的 token
  • 提升模型的泛化能力
10、设,计算与的值。
  • ,
  • ,
  • ,
  • ,

第2题-推荐重排多样性筛选(150分)

题目内容

信息流推荐的重排环节里,为兼顾结果的相关性和多样性,这里采用基于 Cholesky 分解实现的快速贪心 DPP 方案。

现有个候选内容,每个内容都包含相关性得分以及特征向量(向量维数是,且已 L2 归一化)。预先约定核矩阵元素的定义,即

请按照以下步骤,从条候选中定出条内容:

  1. 准备工作:
    • 1.1 结果集置为空集。
    • 1.2 边际收益数组,初值(即)。
    • 1.3 投影矩阵(规模),一开始全置为 0。
  2. 贪心迭代(执行轮,此时是第轮,从 0 起算):
    • Step A:在未加入的内容中,挑出最大的索引。(若出现多个最大值,取索引标号最小的)。
    • Step B:把放入。若的长度达到,算法就结束。
    • Step C:求当前项的因子。
    • Step D:对所有未加入的候选,更新其投影与收益:

(提示:若,就直接把设为)

请编写代码,读入给定数据,输出最终选中的个内容的下标序列。

样例1

输入

5 3 31.0 1.0 0.0 0.00.9 1.0 0.0 0.00.8 0.0 1.0 0.00.7 0.0 1.0 0.00.6 0.0 0.0 1.0

输出

0 2 4

解题思路

题目已经把贪心 DPP 的流程写清楚了,我们只需要按步骤模拟。整个过程可以拆成四步:

  1. 预计算核矩阵
    :对每一对内容,先求特征向量的点积,再乘上两条内容的相关性得分,得到。
  2. 初始化边际收益
    :令。它表示在还没选任何内容时,第条内容能带来的边际收益。
  3. 逐轮选择
    :每一轮在尚未选中的内容里找最大的一条,记为。如果最大值有多个,取下标最小的那个,保证结果唯一。把放进答案后,如果已经选满条就结束。
  4. 更新剩余内容
    :令。对每个还没选中的,先减去它和此前各轮选中内容的重叠部分,得到,再令,最后从边际收益里扣掉。

有一个细节:当时,说明当前内容的边际收益已经接近,此时直接把置为,不要做除法,否则会出现无穷大或非数。

代码实现

python代码(C++和JAVA代码见平台)

import mathdefsolve(m, p, q, rows):    s = [row[0] for row in rows]    u = [row[1:] for row in rows]# 预计算核矩阵 A[i][j] = s_i * s_j * (u_i · u_j)    A = [[0.0] * m for _ inrange(m)]for i inrange(m):for j inrange(m):            dot = 0.0for d inrange(q):                dot += u[i][d] * u[j][d]            A[i][j] = s[i] * s[j] * dot# 边际收益初值就是核矩阵对角线    G = [A[i][i] for i inrange(m)]    T = [[0.0] * m for _ inrange(p)]    used = [False] * m    ans = []for t inrange(p):# 找 G 最大的未选内容,并列时保留下标较小的        pick = -1for i inrange(m):ifnot used[i] and (pick == -1or G[i] > G[pick]):                pick = i        used[pick] = True        ans.append(pick)if t == p - 1:break# 当前项的因子        H = math.sqrt(max(G[pick], 0.0))for j inrange(m):if used[j]:continue# 减去与前面各轮投影的重叠部分            acc = 0.0for r inrange(t):                acc += T[r][pick] * T[r][j]            w = A[pick][j] - accif H <= 1e-6:                T[t][j] = 0.0else:                T[t][j] = w / H            G[j] -= T[t][j] * T[t][j]return ansdefmain():    m, p, q = map(int, input().split())    rows = []for _ inrange(m):        rows.append(list(map(float, input().split())))    ans = solve(m, p, q, rows)print(" ".join(map(str, ans)))if __name__ == "__main__":    main()

第3题-智能体任务收益规划(300分)

题目内容

有人讲:“是释放生产力的一种最终形态”、“是通向通用人工智能()的必由之路”。必须承认,已经变成人工智能领域的新兴技术点,也是各大科技公司重点关注的发展方向。

假定一家做人工智能的科技公司正在搭建一个智能体集群系统(),用来处理海量用户请求。这里的每个智能体()都可以看成一段拥有特定能力的程序,比如代码助手、文档解析、数学推理等。用户提出一个复杂请求后,需要把它拆成若干子任务,再让每个子任务由一个智能体完成。

由于智能体的资源不多,同一时刻里,一个智能体最多只能执行一个任务,并且任务之间不能出现时间重叠(前一个任务结束的瞬间,后一个任务就可以立刻开始)。

每个任务由三项信息描述:

  • 开始时刻():任务能够开始执行的时刻
  • 结束时刻():任务必须完成的时刻
  • 收益():任务做完后能带来的回报(比如满意度、处理效率方面的改进等)

接下来要从给定的任务集合里挑出一组互不重叠的任务交给同一个智能体,让总收益最大。也就是说,给定个任务,每个任务都写成三个整数、、,分别对应开始时刻、结束时刻和收益。请算出并输出能够取得的最大总收益。

样例1

输入

30 4 32 6 51 7 6

输出

6

解题思路

本题是带权区间调度:每个任务相当于一个带收益的区间,要求选出互不重叠的一组区间,使收益之和最大。可以用「排序 + 二分 + 动态规划」解决。

  1. 按结束时刻排序
    :把所有任务按从小到大排列。这样在考虑第个任务时,前面任务的结束时刻是有序的,方便二分。
  2. 定义状态
    :设表示只考虑排序后的前个任务时,能取得的最大总收益,。
  3. 状态转移
    :对排序后的第个任务(原下标为,参数为),在前个任务里二分查找最后一个满足的任务。
    • 不选这个任务:;
    • 选这个任务:。 两者取较大值。
  4. 答案
    :。如果,直接输出 0。

注意「不重叠」允许一个任务结束的瞬间另一个任务立刻开始,所以判定条件是,二分要用 upper_bound / bisect_right,不能把等号排除掉。

代码实现

python代码(C++和JAVA代码见平台)

from bisect import bisect_rightdefsolve(m, L, R, W):# 按结束时刻 R 从小到大排序,order 中存原下标    order = sorted(range(m), key=lambda i: R[i])    ends = [R[i] for i in order]# dp[pos]:排序后前 pos 个任务的最大收益    dp = [0] * (m + 1)for pos, idx inenumerate(order, 1):# 在前 pos-1 个任务里找结束时刻不超过 L[idx] 的最后一个        j = bisect_right(ends, L[idx], 0, pos - 1)        dp[pos] = max(dp[pos - 1], dp[j] + W[idx])return dp[m]defmain():    m = int(input())    L, R, W = [], [], []for _ inrange(m):        left, right, value = map(int, input().split())        L.append(left)        R.append(right)        W.append(value)print(solve(m, L, R, W))if __name__ == "__main__":    main()

PC端刷题:CodeFun2000.com

手机端刷题:塔子哥刷题宝

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料