夜雨聆风华为2026.5.20暑期实习笔试真题 - AI岗
最新暑期实习/春招/秋招大厂笔试真题汇总：
https://svih06ofn7v.feishu.cn/wiki/E4SBwR7ZKiSZxpkRVZCcmjI9nBl
AK机给大家整理了一份高质量的互联网大厂、大模型独角兽的内推和暑期实习/春秋招投递信息汇总，每日更新，建议收藏：
https://docs.qq.com/smartsheet/DUXJLSnZoTVFhVUVs?tab=sc_K49vrh
华为 27 届暑期实习 AI 岗的机考又开了一场，本场依旧是「20 道选择题 + 2 道编程题」的经典配置，覆盖数学、机器学习、大模型工程以及偏算法的两道 Hard 题。AK机第一时间整理了完整题解与 Python 代码，希望能帮助大家更好地准备后续笔试。
本场考试概述
考试时间：2026 年 5 月 20 日
考试岗位：华为暑期实习 AI 岗（AI算法、AI应用开发、AI数据科学等以 AI 为前缀的岗位）
难度评级：困难
考点分析：
• 选择题（20 道）：涵盖多项式拟合、线性代数（零空间/行列式）、数值方法（共轭梯度/弦截法/直接法迭代法）、L2 正则化、聚类鲁棒性、特征工程，以及大模型工程（PagedAttention/KV Cache/Prefill-Decode/对齐失效/量化）等核心方向 • 第一题：多源语料分级清洗（困难，二维费用分组背包） • 第二题：敏感实体动态遮蔽掩码（困难，KMP + 差分扫描）
建议策略：
• 华为 AI 岗选择题题量大且覆盖面广，复习时要同时兼顾大模型推理工程（KV Cache 计算、PagedAttention、PD 分离）和经典数值/线代基础（条件数、迭代法收敛阶、行列式与秩） • 两道编程题都属于"模型清晰但状态/转移繁琐"类型，重点是把题面的多维约束准确翻译成 DP 状态或差分数组，不要急着上滚动数组 • 第一题分组背包必须用三维状态 f[i][b][t]，把 i 维显式写出来；第二题 KMP 后用差分代替显式区间合并，扫描时用 base/inside 双指针计数
1、用二次多项式拟合下列数据点：。则拟合多项式的一次项系数最接近：
A.
B.
C.
D.
答案：B
难度：入门
考点：数学—数值/多项式拟合
解释：四个数据点严格满足 ，二次拟合在最小二乘意义下退化为这条直线，故二次项系数为 ，一次项系数为 ，常数项为 。
2、在计算机渲染 3D 模型时通常会使用双线性插值处理纹理映射，与最近邻插值相比，双线性插值主要可以减少：
A. 计算时间
B. 精度损失
C. 视觉锯齿
D. 数据存储
答案：C
难度：入门
考点：数学—插值
解释：双线性插值用 邻域像素加权平均得到目标颜色，过渡平滑，消除了最近邻在边缘和斜线处典型的"阶梯状锯齿"。A 计算时间反而增加；B 严格意义的"精度"并不必然提升；D 与数据存储无关。
3、在多智能体强化学习中，智能体的联合状态向量组构成矩阵 ，则矩阵 的零空间维度为（）
A.
B.
C.
D.
答案：C
难度：简单
考点：数学—线性代数
解释：第二行是第一行的 倍，矩阵秩 ，由秩-零度定理 。
4、预条件共轭梯度法（PCG）中，预条件矩阵 的选取目标是使得 的条件数：
A. 无所谓
B. 尽可能接近
C. 等于 的条件数
D. 尽可能大
答案：B
难度：中等
考点：数学—数值优化
解释：CG 类迭代法收敛速率上界与系数矩阵条件数 直接相关（误差衰减因子约为 ）。 意味着 接近单位阵，收敛最快。
5、在训练神经网络时，使用带 L2 正则化的损失函数 。关于正则化系数 ，下列说法正确的是：
A. 时，正则化效果最强，模型最简
B.的选择与模型过拟合或欠拟合无关，只需固定为常用值如
C.越大，模型越倾向于拟合训练数据，泛化能力越强
D. 越大，对权重参数的惩罚越重，模型复杂度越低
答案：D
难度：入门
考点：机器学习—正则化
解释：L2 正则将加到损失里，越大优化器越倾向让变小，等价于偏好简单模型。A 反了，时没有正则；B 显然错；C 大 偏向欠拟合而非拟合训练集。
6、PagedAttention 的核心设计目标是解决 AI 模型推理中的（）
A. 重计算导致的推理延迟过高问题
B. 显存碎片化，导致显存利用率低下问题
C. 模型量化后精度损失问题
D. KV Cache 占用显存过大问题
答案：B
难度：中等
考点：大模型—推理优化
解释：PagedAttention（vLLM）把 KV Cache 按固定大小的"页"管理，类似操作系统虚拟内存的分页机制，消除了因变长序列产生的外部碎片，显著提升显存利用率。D 是常见误解：PagedAttention 并不减小 KV Cache 总量，只是减少浪费。
7、在大语言模型的安全对齐（Alignment）过程中，主要目标是确保模型输出符合人类价值观且无害。以下关于"对齐失效"的描述中，哪一项是最常见的风险场景？
A. 模型推理速度过慢，导致用户等待时间过长从而放弃使用
B. 模型词汇表过小，无法理解生僻的专业术语
C. 模型在训练过程中损失函数无法收敛，导致无法生成任何文本
D. 模型在面对恶意诱导 prompt 时，绕过安全限制生成有害内容（如制造武器教程）
答案：D
难度：入门
考点：大模型—对齐与安全
解释：对齐失效（misalignment）的典型表现是 jailbreak/越狱：通过精心构造的 prompt 让模型绕过 RLHF 训练出的拒答策略，输出本应拒绝的有害内容。A、B、C 是性能或工程问题，不属于对齐失效。
8、弦截法（割线法，用两点连线的斜率代替导数来求根）的收敛阶约为：
A. 阶
B. 阶
C. 阶
D. 阶
答案：D
难度：中等
考点：数学—数值方法
解释：割线法的收敛阶恰好等于黄金比例 ，介于线性（）与牛顿法的二次（）之间，是经典数值分析结论。
9、关于 KV Cache 在自回归推理中的作用，最准确的是：
A. 减少参数量，从而降低模型存储体积
B. 提升训练收敛速度
C. 缓存历史 token 的 K/V，避免每步重复计算
D. 让模型在推理时不再需要注意力机制
答案：C
难度：入门
考点：大模型—推理优化
解释：自回归解码每生成一个 token 都要做一次 Attention，历史 token 的 K、V 在后续步骤中保持不变，缓存起来即可省掉每步的重复线性变换，把单步复杂度从 降到 。A、B 与 KV Cache 无关；D 注意力机制依然存在。
10、在 LLM 推理中，prefill 阶段和 decoding 阶段的计算瓶颈不同。以下分析正确的是：
A. 两个阶段都是 compute-bound，区别仅在于序列长度不同
B. prefill 阶段是 memory-bound，decoding 阶段是 compute-bound
C. prefill 阶段并行处理整个输入序列，矩阵乘法密集，是 compute-bound；decoding 阶段每步生成一个 token，需反复加载全部权重，是 memory-bound
D. KV Cache 使 decoding 阶段变为 compute-bound，因为节省了大量访存
答案：C
难度：中等
考点：大模型—推理优化
解释：prefill 处理整个 prompt，可在 batch/sequence 维度并行做大 GEMM，算术强度高；decoding 一次只产 个 token，但每步都要把所有权重从显存搬到计算单元，瓶颈在显存带宽。这正是 PD 分离、continuous batching 等技术的出发点。
11、如果数据集存在明显的噪声点和离群值，哪种聚类算法表现最稳健？
A. GMM（高斯混合模型）
B. DBSCAN
C. 谱聚类
D. K-Means
答案：B
难度：入门
考点：机器学习—聚类
解释：DBSCAN 将密度不足的点直接标为 noise（标签 ），不会强行分配到任何簇，对离群值天然鲁棒。K-Means / GMM 的均值与方差估计都对离群点敏感；谱聚类也会被异常点拉偏。
12、在图像处理中，将一张 的 RGB 图像展平为一维向量，其维度是？
A.
B.
C.
D.
答案：A
难度：入门
考点：深度学习—CNN/数据维度
解释：，三通道展平后总维度为长 宽 通道数。
13、某大模型团队正在优化推理服务的显存占用。已知模型配置：隐藏层维度 hidden size ，Transformer 层数 ，注意力头数 。推理时使用 FP16（ 字节）存储 KV Cache，最大序列长度 ，Batch Size 。最大上下文长度下，存储 KV Cache 所需的显存最接近：
A. GB
B. GB
C. GB
D. GB
答案：D
难度：中等
考点：大模型—KV Cache 显存估算
解释：标准公式。代入字节，约GB。系数是 K + V，是层数，是序列长， 是 hidden size。
14、在某应用的商品推荐系统中，用户行为包括停留时长、是否收藏等，这些数据通过向量来表示。如果要计算两个用户向量相似度，最常用的度量是：
A. 皮尔逊相关系数
B. 余弦相似度
C. 曼哈顿距离
D. 欧氏距离
答案：B
难度：入门
考点：机器学习—推荐系统
解释：推荐系统中的用户/物品向量通常对绝对量级不敏感，关心的是方向（兴趣分布）。余弦相似度衡量夹角、忽略模长，是协同过滤和向量召回的事实标准。
15、Scaled Dot-Product Attention 中除以 的原因是：
A. 保证 和 的内积严格服从标准正态分布
B. 让注意力权重之和归一化为
C. 减少矩阵乘法的计算量
D. 防止点积结果过大使 Softmax 进入梯度极小的饱和区，导致训练困难
答案：D
难度：中等
考点：深度学习—Transformer
解释：若各分量独立同分布且方差为，则方差正比于，未缩放时 logits 会随维度变大，Softmax 进入饱和区导致梯度消失。除以把方差归一到，保持梯度尺度稳定。
16、针对 Prefill 和 Decode 阶段的性能差异，现代推理引擎通常会采用哪些策略来优化整体吞吐量？
A. 在 Decode 阶段强制使用 GEMM 代替 GEMV 进行计算
B. 将 Prefill 和 Decode 阶段在不同的 GPU 节点上进行分离部署（PD 分离）
C. Continuous Batching（连续批处理）以提升 Decode 阶段的并发度
D. Chunked Prefill（分块预填充）以避免长 Prompt 阻塞 Decode 进程
答案：B, C, D
难度：中等
考点：大模型—推理优化
解释：B 把 compute-bound 的 Prefill 与 memory-bound 的 Decode 分到不同硬件，可独立扩缩；C 不等批次满就发车，让 Decode 阶段把空闲 batch slot 持续填满，显著抬高吞吐；D 把超长 prompt 切片，避免一个长 Prefill 卡死整个调度。A 单 token Decode 只有 GEMV，没办法强行变成 GEMM，且与"提升吞吐"无关。
17、在矩阵运算中，下列哪些情况可能导致矩阵的行列式为零？
A. 矩阵是可逆矩阵
B. 矩阵的秩小于其阶数
C. 矩阵是奇异矩阵
D. 两个非零矩阵相乘的结果可能是零矩阵
答案：B, C, D
难度：简单
考点：数学—线性代数
解释：B 秩亏即列向量线性相关，；C "奇异"的定义就是 ；D 例如 ，乘积可为零矩阵且 。A 可逆矩阵恰好 ，错误。
18、以下关于直接法和迭代法求解线性方程组的比较，正确的有：
A. 迭代法适合求解大型稀疏方程组
B. 高斯消元法属于直接法
C. Jacobi 和 Gauss-Seidel 方法属于迭代法
D. 直接法经过有限步运算可得到精确解（理论上）
答案：A, B, C, D
难度：入门
考点：数学—数值方法
解释：四项均为基础结论。A 迭代法避免对稀疏结构做填充；B 高斯消元、LU 分解为代表的直接法；C Jacobi、Gauss-Seidel、SOR 都是定点迭代；D 直接法在精确算术下有限步终止，区别于迭代法的渐近收敛。
19、下列哪些算子通常不建议进行低比特量化？
A. LayerNorm
B. Softmax
C. RoPE（旋转位置编码）
D. MatMul（矩阵乘法）
答案：A, B, C
难度：中等
考点：大模型—量化
解释：A LayerNorm 含均值/方差与小数值除法，量化误差被放大；B Softmax 的指数函数对输入扰动敏感，且输出已是概率范围，几乎没有量化收益；C RoPE 涉及三角函数与高频相位，低比特会严重破坏相对位置关系。D MatMul 是量化收益最大且最成熟的算子（INT8/INT4 主战场），常规做法是只量化它而保留前三者为高精度。
20、在构建高维机器学习模型时，关于特征工程中的转换与评估，下列说法中正确的有：
A. 在使用目标编码（Target Encoding）时，即使采用了平滑技术，若类别的样本量极小，该特征在验证集上的表现仍可能因为"条件概率估计不准"而导致严重的过拟合
B. 对于具有偏态分布（Skewed Distribution）的数值特征，使用 Box-Cox 变换不仅能使数据更接近正态分布，还能在一定程度上起到稳定方差（Homoscedasticity）的作用
C. Weight of Evidence (WoE) 编码主要用于逻辑回归（Logistic Regression），它的数学本质是将非线性特征转换为线性空间，且能够处理缺失值并具有较好的解释性
D. 在特征选择中，过滤式（Filter）方法比包裹式（Wrapper）方法更倾向于选出对模型最终性能最优的特征子集，因为过滤式方法不依赖于具体的算法偏差
答案：A, B, C
难度：困难
考点：机器学习—特征工程
解释：A 目标编码的低频类别条件概率估计方差大，即便加平滑也只是收缩，仍易过拟合；B Box-Cox 通过参数化幂变换同时实现近正态化与方差稳定；C WoE 把类别特征映射为对数似然比，让特征与 logit 线性，特别契合 LR，并可把缺失视为独立分箱。D 反了，Wrapper 直接以模型性能为目标更可能选出"最优"子集，Filter 只是更通用、更快，并不保证对特定模型最优。
第1题：多源语料分级清洗
题目描述
某 LLM 预训练团队从 个数据源收集语料，每个数据源具有以下属性：表示该数据源占总训练 token 的权重比例，所有之和恰好为；表示初始脏数据比例，满足；是基础清洗单价（正整数）； 是基础清洗算力消耗（正整数）。
对每个数据源，可独立选择以下四种清洗级别之一：
整体语料的加权污染率定义为：
在总花费不超过预算 且总算力消耗不超过算力上限 的前提下，为每个数据源选择一个清洗级别，使得加权污染率 最小。请输出可达到的最小加权污染率，结果保留 位小数。
输入描述
第一行包含三个整数 ，分别表示数据源数量、总预算上限和总算力上限。
接下来 行，每行包含四个数，依次为第个数据源的权重比例、初始脏数据比例、基础清洗单价、基础清洗算力消耗。保证所有之和为，与至多保留 位小数。
输出描述
输出一个浮点数，表示在预算 与算力 限制下可达到的最小加权污染率，保留 位小数，不包含多余空格或换行。
样例1
输入
3 10 7
0.4 0.5 2 2
0.3 0.7 3 3
0.3 0.4 1 1输出
0.270000样例解释
方案 ：源选级 + 源选级，源不清洗。花费，算力，。
方案 ：源选级 + 源选级，源不清洗。花费，算力，。
方案 ：源选级 + 源选级 + 源选级。花费，算力，。
方案 最优，答案为 。
样例2
输入
2 6 4
0.5 0.8 2 2
0.5 0.6 3 1输出
0.380000样例解释
方案 （源选级，源选级）：花费、算力，。
方案 （源选级，源选级）：花费、算力，。
方案 （源选级，源选级）：花费、算力，。
方案 最优，答案为 。
题解：二维费用分组背包
题目问题拆解
每个数据源必须从 种清洗级别里恰选 种，每种级别有两个独立维度的开销（花费、算力）和一份污染率收益。题目本质是 「分组背包 + 二维费用」 的最大化收益问题，约束规模 ，复杂度 完全可行。
算法实现
等价变换：
最小化污染率不好直接做 DP（每选一级是"乘法压缩"），换个角度处理——先把所有数据源都按"等级 "算出初始污染率：
第 个数据源选等级 时，污染率从 降到 ，减少量为：
问题等价于"在双重容量限制下让减少量之和最大"，正好是分组背包的最大化形式。
三张常数表：
直接照抄题目给的四档等级，方便代码下标访问：
等级 的花费、算力分别为 、。
状态方程定义：
第一维 是组号，确保每组只贡献一次；后两维 是二维费用。
状态方程初始化：
只有"一个数据源都没处理、花费算力都为 "这一个起点合法。 标记不可达，避免与合法的零收益混淆。
状态方程转移：
从 推到 时，第 个数据源有 种选法，分两类写：
等级 （不清洗）——状态原样继承：
等级 （设当前等级花费 、算力 、收益 ）——和默认继承值取较大：
注意右侧的下标是 而不是 ——这是分组背包的关键 trick。因为始终从上一层读、向当前层写，同一数据源的多个等级互相之间永远看不到对方的选择，"恰选一个"约束天然成立。如果错写成 就退化成完全背包，会把同一数据源选多次。
最终答案：
在第 层枚举所有满足约束的状态取最大值，再减回 ：
双精度浮点累加会引入 级误差，当 时夹回 ，再以 %.6f 输出。
时空复杂度分析
时间复杂度：，。代入上界 ， 秒可过。
空间复杂度：，三维数组约 个 double MB，在 MB 限制内。
Python
# 多源语料分级清洗 - 二维费用分组背包
import sys
from array import array
data = sys.stdin.read().split()
idx = 0
n = int(data[idx]); idx += 1
B = int(data[idx]); idx += 1
T = int(data[idx]); idx += 1
w = [0.0] * n
r = [0.0] * n
c = [0] * n
p = [0] * n
for i inrange(n):
w[i] = float(data[idx]); idx += 1
r[i] = float(data[idx]); idx += 1
c[i] = int(data[idx]); idx += 1
p[i] = int(data[idx]); idx += 1
# 四种清洗等级对应的花费倍率、算力倍率、脏数据保留比例
cost_mul = [0, 1, 3, 6]
power_mul = [0, 1, 2, 3]
rate = [1.0, 0.6, 0.2, 0.0]
# f[i][b][t]：处理完前 i 个数据源，已花费 b、已使用算力 t 时的最大"污染率减少量"
# 内层用 array('d') 存连续 double，避免 Python list 的 PyFloat 装箱开销
NEG = -1e18
f = [[array('d', [NEG]) * (T + 1) for _ inrange(B + 1)] for _ inrange(n + 1)]
f[0][0][0] = 0.0
# base 表示所有数据源都不清洗时的初始加权污染率
base = sum(w[i] * r[i] for i inrange(n))
for i inrange(n):
origin = w[i] * r[i]
for b inrange(B + 1):
fi = f[i][b]
fi1 = f[i + 1][b]
for t inrange(T + 1):
# 等级 0：不清洗，状态原样从上一层继承
fi1[t] = fi[t]
# 等级 1/2/3：枚举每个等级，看能否得到更大的减少量
for lv inrange(1, 4):
cb = cost_mul[lv] * c[i]
ct = power_mul[lv] * p[i]
if cb > b or ct > T:
continue
gain = origin * (1.0 - rate[lv])
fprev = f[i][b - cb]
for t inrange(ct, T + 1):
v = fprev[t - ct]
if v <= NEG / 2:
continue
cand = v + gain
if cand > fi1[t]:
fi1[t] = cand
# 在最后一层所有状态里取最大减少量
best = 0.0
for row in f[n]:
for v in row:
if v > best:
best = v
ans = base - best
# 浮点误差可能让答案略小于 0，统一钳到 0
if -1e-9 < ans < 0:
ans = 0.0
print(f"{ans:.6f}", end='')第2题：敏感实体动态遮蔽掩码
题目描述
为了防止大语言模型记忆并泄露输入上下文的敏感数据，安全框架会对输入的长文本进行预扫描，匹配预设的敏感词库（如 API_KEY、身份证号码等）。一旦在序列中发现了敏感词，系统会在底层的注意力掩码矩阵中对这些"敏感区块"进行动态隔离遮蔽。具体来说，敏感区块内部的 token 可以互相看到，但外部的任何 token 都绝对不能看到这些敏感数据。
给定一个长度为 的主序列 token 数组 ，以及 个敏感模式串。
第一步：模式匹配与敏感区块合并。在主序列 中找出所有敏感模式串的出现位置，得到一组闭区间。若两个区间与相交（）或首尾相邻（或），则需要合并为一个连续敏感块。
第二步：动态遮蔽掩码。对于序列中的任意位置 和目标位置（遵循因果律），能否观察到由以下规则决定：隔离规则——如果属于某个敏感块，那么只有当也身处同一个敏感块内部时，才能观察到；正常规则——如果不属于任何敏感块，则它对所有满足 的位置正常可见。
请输出每个位置 在整个序列中总共能观察到多少个 token（包含自身）。
输入描述
第一行包含两个整数 ，分别为主序列长度和敏感模式串的数量。
第二行包含 个整数 ，以空格分隔，代表主序列的 token 数组。
接下来 行，每行首先是一个整数 ，代表敏感模式串长度，后面跟着 个整数（每个值在 之间），以空格分隔，代表该敏感模式串的 token 值。
输出描述
输出 个整数，以空格分隔，代表每个位置 在整个序列中总共能观察到的 token 数量。
样例1
输入
7 2
10 20 30 40 50 60 70
3 20 30 40
2 40 50输出
1 2 3 4 5 2 3样例解释
模式串 在主序列中的索引区间为 ；模式串 在主序列中的索引区间为 。两个区间相交，合并为敏感块 。
位置 （值 ，正常）：可看到自身，答案 。
位置 （敏感块内）：可看前面 个正常 token，再加上敏感块内已走过的 token 数，依次为 。
位置 （值 ，正常）：可看到自身及前面 个正常 token，答案 。
位置 （值 ，正常）：答案 。
样例2
输入
9 1
10 20 30 40 50 60 30 40 70
2 30 40输出
1 2 3 4 3 4 5 6 5样例解释
模式串 在主序列中出现两次：索引区间 与 。两段不相邻，形成两个独立敏感块。
位置 （正常）：答案 。
位置 （敏感块一）：可看到前 个正常 token，加块内走过的 token 数，依次为 。
位置 （正常）：答案 。
位置 （敏感块二）：可看到前 个正常 token，加块内走过的 token 数，依次为 。
位置 （正常）：答案 。
题解：KMP + 差分扫描
题目问题拆解
题目可以拆成两件独立的事。
第一件事：找出所有"敏感区间"并合并。每个敏感模式串都可能在主序列里出现多次，要把这些出现位置 全部找到，再把相交或首尾相邻的合并成一个连续的"敏感块"。
第二件事：按因果约束 给每个位置 计数。规则只有两条：
规模上界 ，匹配阶段 ，扫描阶段 ，整体在 量级。
算法实现
KMP 找匹配：
对每个模式串单独跑一次 KMP。先用 时间构造前缀函数 ：
意思是 记录" 这一段，其最长的相同前缀与后缀的长度"。匹配主串时遇到失配就跳到 继续比，无需回退主串指针。
一次完整匹配 之后不要重置，而是 。这样能继续找出与当前匹配位置重叠的下一次出现（比如 pat = ababa 在主串 ababababa 中会有重叠匹配）。
差分合并区间：
找到匹配区间 （其中 ，）后，不必显式存所有区间。开一个差分数组 ，每次匹配只做两次单点修改：
扫描时维护前缀和 。判定规则极其简洁：
相邻和相交的区间在前缀和上自动连成一段连续的正值，无需手写"区间合并"代码。
扫描计数：
从左到右遍历，维护四个变量：
base 是关键 trick：在敏感块开始那一刻"拍照"，记下块外已积累了多少普通 token；进了块以后这个数就被冻结，块内 token 看到的就是这一份外部前缀。
按位置 分两种情况输出：
普通分支的可见集合 = 前缀里所有普通 token，正好是更新后的 。
敏感分支的可见集合分两部分：块外可见的前缀普通 token = ；块内 的 token = 。
二者相加就是答案。
时空复杂度分析
时间复杂度：单次 KMP 构造 + 匹配为 ； 个模式串总匹配为 。扫描计数为 。
代入上界 ，远低于 秒时限。
空间复杂度：。主序列、差分数组、答案数组各 ，每个模式串及其 数组各 用完即释放。
Python
# 敏感实体动态遮蔽掩码 - KMP + 差分扫描
import sys
defmark_pattern(arr, pat, diff):
"""KMP 找 pat 在 arr 中所有匹配，把闭区间 [l, r] 加到差分数组上。"""
m = len(pat)
# pi[i] 是 pat[0..i] 的最长相等真前后缀长度
pi = [0] * m
j = 0
for i inrange(1, m):
while j > 0and pat[i] != pat[j]:
j = pi[j - 1]
if pat[i] == pat[j]:
j += 1
pi[i] = j
j = 0
for i, x inenumerate(arr):
while j > 0and x != pat[j]:
j = pi[j - 1]
if x == pat[j]:
j += 1
if j == m:
l = i - m + 1
# 闭区间 [l, i] 用差分标记
diff[l] += 1
diff[i + 1] -= 1
# 允许重叠匹配也被纳入统计
j = pi[j - 1]
data = sys.stdin.buffer.read().split()
idx = 0
n = int(data[idx]); idx += 1
k = int(data[idx]); idx += 1
arr = list(map(int, data[idx:idx + n]))
idx += n
# 差分数组多开一格，方便闭区间右端 +1
diff = [0] * (n + 1)
for _ inrange(k):
m = int(data[idx]); idx += 1
pat = list(map(int, data[idx:idx + m]))
idx += m
if m <= n:
mark_pattern(arr, pat, diff)
ans = [0] * n
cover = 0# 当前位置被多少个敏感区间覆盖
normal = 0# 已扫描过的普通 token 数量
in_block = False
base = 0# 当前敏感块起点之前的普通 token 数
inside = 0# 当前敏感块内已扫过的 token 数
for i inrange(n):
cover += diff[i]
if cover > 0:
# 第一次进入新敏感块时锁定 base
ifnot in_block:
in_block = True
base = normal
inside = 0
inside += 1
ans[i] = base + inside
else:
in_block = False
normal += 1
ans[i] = normal
sys.stdout.write(" ".join(map(str, ans)))AK机制作的华为机考速通指南，16w字内容，234道真题覆盖全考点，助力应届生同学速成华为机考~
想要获取本场笔试代码，以及沟通交流求职等内容，可以加入下方AK机的校招交流群
