华为校招&实习机试在线OJ刷题系统 ｜ 在线OJ注册使用教程
1、视觉骨干网络里，某一层卷积输出特征图的通道数通常由什么决定？
A. 输入特征的通道数
B. 卷积核的空间尺寸
C. 该层卷积核的个数
D. 卷积的步长
2、下列激活函数中，值域为开区间 (0, 1) 的是哪一个？
A. Leaky ReLU
B. Sigmoid
C. Tanh
D. ReLU
3、向量 u 经 v = Mu 映到另一组坐标。矩阵 M 在这里主要起什么作用？
A. 求矩阵的秩
B. 做特征变换或投影
C. 把样本从数据中删掉
D. 计算行列式
4、Agent 范式 ReAct 的名字，是哪两个英文单词拼在一起？
A. Reasoning 与 Acting
B. Read 与 Act
C. Recall 与 Activation
D. Real 与 Action
5、一个约 7×10¹⁰ 参数的问答模型正在预训练。论坛长文和问答对构成的训练集上，困惑度一直在降；另采的一批真实用户提问上，困惑度先降后很快反弹。抽查生成文本时，能看到训练语料里的套话被反复说出，还伴随事实错误。下面哪条分析和对策最准确，也最接近近年大模型训练的常见处理？
A. 属于欠拟合，模型容量不足，没能学全训练文本里的规律。应把参数量再加大，或把训练步数再加长。
B. 属于领域偏移，因为验证提问和训练文本不是同一来源。应去掉正则，直接在验证集上接着训，直到验证困惑度停止上升。
C. 属于过拟合，模型记熟了训练噪声和个别样本，数据里的偏差也被放大。应使用权重衰减、Dropout 和早停，并在后续加入 RLHF，以提升泛化和事实性。
D. 属于过拟合。只要做交叉验证、把数据重新切开，让验证集和训练集分布完全一致即可。
6、已知 a* = 8.76（绝对误差限 0.006），b* = 1.49（绝对误差限 0.004）。a* + b* 的绝对误差限是多少？
A. 0.006
B. 0.024
C. 0.010
D. 0.004
7、量化如何与推理实现配合，下面哪一句最准确？
A. INT4 权重量化主要用来压缩权重，从而降低显存并缩短加载时间。部分 GPU 带有 INT4 张量核心，但累加精度和软件生态都受限，部署时通常先把权重反量化成 FP16 或 BF16，再做计算
B. 融合算子时，反量化要单独做成一个 kernel，不能和矩阵乘写在一起，这样才精度稳、代码简单；合在一起会既损失精度又让实现变复杂
C. KV Cache 做成低比特后，只能靠加大 batch 或加长上下文间接抬高吞吐，单请求解码不会因此变快。解码本身算力吃紧、带宽并不紧，Cache 变小省下的访存对延迟没有帮助
D. 把激活量化到 INT8，主要是为了省显存；能不能加速，要看权重有没有一起量化。若只量化激活，计算前得先变回 FP16，用不上低精度乘加
8、Agent 处理复杂任务时需要分解任务。下列哪一项是对的？
A. 子任务必须一次拆到不能再分的原子动作，中间层不能再拆
B. 必须倒序规划：先写最终目标，再回头补子任务
C. 拆分方案定稿后，执行时不准根据反馈改动
D. 自顶向下拆分，把难题变成一组可执行、便于管理的子任务
9、为大模型 Agent 接入工具时，想减少调用错误。下列哪种做法是无效的？
A. 发出调用之前，先检查参数类型和取值范围是否说得通
B. 规定每个工具在短时间窗口内最多调用几次
C. 给工具附上说明文字，写明能做什么、参数怎么填、会出什么错
D. 收回结果后先做校验，不对就重试，或切换到备用工具
10、随机变量 Z 的标准差为 4，W = −3Z + 5。方差 Var(W) 是多少？
A. 48
B. −12
C. 12
D. 144
答案速查
1.C 2.B 3.B 4.A 5.C 6.C 7.A 8.D 9.B 10.D
逐题解析
第1题（答案：C —— 该层卷积核的个数）
1、视觉骨干网络里，某一层卷积输出特征图的通道数通常由什么决定？
视觉骨干网络里，某一层卷积输出特征图的通道数通常由什么决定？
解析：卷积层的输出通道数 = 该层卷积核（filter）的个数。每个卷积核在输入的全部通道上做加权求和，产出一张输出通道；N 个卷积核就得到 N 个输出通道。权重形状为 (输出通道, 输入通道, kh, kw)，其中「输出通道」这一维就是卷积核个数。
A 错：输入特征的通道数是每个卷积核输入侧的深度，决定的是卷积核权重的形状，不是输出通道数。
B 错：卷积核空间尺寸 (kh, kw) 影响输出特征图的高和宽（配合 padding），不影响通道数。
D 错：步长决定输出特征图空间尺寸被缩小的倍数，与通道数无关。
第2题（答案：B —— Sigmoid）
2、下列激活函数中，值域为开区间 (0, 1) 的是哪一个？
下列激活函数中，值域为开区间 (0, 1) 的是哪一个？
解析：Sigmoid σ(x) = 1/(1+e⁻ˣ)，输出严格落在 (0, 1)：当 x→+∞ 时趋近 1、x→−∞ 时趋近 0，但永远取不到端点，是开区间。
A 错：Leaky ReLU 在 x<0 时输出 kx（k 为小斜率，如 0.01），x>0 时输出 x，值域是整个实数轴（负半轴无下界）。
C 错：Tanh 值域是开区间 (−1, 1)，虽然也是开区间，但不是 (0, 1)。
D 错：ReLU = max(0, x)，值域是 [0, +∞)，0 可以取到，且无上界。
第3题（答案：B —— 做特征变换或投影）
3、向量 u 经 v = Mu 映到另一组坐标。矩阵 M 在这里主要起什么作用？
向量 u 经 v = Mu 映到另一组坐标。矩阵 M 在这里主要起什么作用？
解析：矩阵乘向量 v = Mu 的几何意义就是线性变换：把 u 从原坐标系映射（旋转、缩放、剪切、投影）到 M 的列空间所张成的坐标系中，本质是特征变换或投影。线性代数中「矩阵作用于向量」=「换一组基表示 / 变换特征」。
A 错：求秩是对矩阵本身的分析操作（非零行数/极大无关组列数），不是矩阵作用于向量的功能。
C 错：矩阵乘法不可能「把样本从数据中删掉」，这不是任何线性运算的语义。
D 错：行列式是一个标量（体积缩放因子），M 的行列式可以另算，但 v = Mu 这个运算并不是在计算行列式。
第4题（答案：A —— Reasoning 与 Acting）
4、Agent 范式 ReAct 的名字，是哪两个英文单词拼在一起？
Agent 范式 ReAct 的名字，是哪两个英文单词拼在一起？
解析：ReAct 源自 2022 年论文《ReAct: Synergizing Reasoning and Acting in Language Models》，名字是 **Re**asoning + **Act**ing 的拼接：模型交替产生「思考轨迹（推理）」和「行动（调用工具/环境）」，二者协同提升任务完成质量。
B 错：Read 与 Act 只是形似拼接，不是 ReAct 的出处。
C 错：Recall 与 Activation 与该范式无关。
D 错：Real 与 Action 同样是干扰拼接。
第5题（答案：C —— 属于过拟合，使用权重衰减、Dropout 和早停，并在后续加入 RLHF）
5、一个约 7×10¹⁰ 参数的问答模型正在预训练。论坛长文和问答对构成的训练集上，困惑度一直在降；另采的一批真实用户提问上，困惑度先降后很快反弹。抽查生成文本时，能看到训练语料里的套话被反复说出，还伴随事实错误。下面哪条分析和对策最准确，也最接近近年大模型训练的常见处理？
一个约 7×10¹⁰ 参数的问答模型正在预训练……下面哪条分析和对策最准确？
解析：题干给出的是典型过拟合三联征：训练集困惑度持续下降、验证（真实用户提问）困惑度先降后升、生成复述训练语料套话且伴随事实错误。标准处理是正则化组合拳——权重衰减（L2）、Dropout、早停（在验证困惑度反弹前停止训练）；对大模型事实性问题，后续用 RLHF/对齐阶段进一步提升泛化与事实性，这正是近年大模型训练的常见做法。
A 错：欠拟合的表现是训练集和验证集困惑度都偏高且都还在下降，与「验证反弹、复述套话」不符；加大参数/步数只会更过拟合。
B 错：领域偏移虽存在（验证集与训练分布不同源），但「去掉正则、直接在验证集上接着训」是严重错误做法——这等于把验证集泄漏进训练，且会加剧过拟合。
D 错：交叉验证/重切数据只能让评估更可靠，不能解决模型记噪声、复述套话的过拟合本身；且大模型预训练做 K 折交叉验证也不现实。
第6题（答案：C —— 0.010）
6、已知 a* = 8.76（绝对误差限 0.006），b* = 1.49（绝对误差限 0.004）。a* + b* 的绝对误差限是多少？
已知 a\* = 8.76（绝对误差限 0.006），b\* = 1.49（绝对误差限 0.004）。a\* + b\* 的绝对误差限是多少？
解析：误差限的可加性：若 |Δa| ≤ εa、|Δb| ≤ εb，则 |Δ(a+b)| = |Δa+Δb| ≤ |Δa|+|Δb| ≤ εa+εb。速算：0.006 + 0.004 = **0.010**。
A 错（0.006）：只取了 a\* 的误差限，忽略了 b\* 的贡献。
B 错（0.024）：0.006 与 0.004 的某种错误组合（如与 8.76、1.49 混算），和/差运算的误差限就是两者之和。
D 错（0.004）：同 A，只取了 b\* 一侧。
第7题（答案：A —— INT4 权重压缩显存、加载更快，通常反量化成 FP16/BF16 再计算）
7、量化如何与推理实现配合，下面哪一句最准确？
量化如何与推理实现配合，下面哪一句最准确？
解析：A 完整准确地描述了当前主流实践：INT4 量化的核心收益是权重体积和显存占用（约 FP16 的 1/4）以及加载时间；虽然部分 GPU 有 INT4 张量核心，但累加精度和软件生态受限，主流推理框架（vLLM、TensorRT-LLM 等）普遍采用「存储/传输用 INT4，计算前反量化成 FP16/BF16 做高精度矩阵乘」的 weight-only 方案。
B 错：方向反了。现代推理栈恰恰把反量化融合（fuse）进矩阵乘 kernel 里（dequant + GEMM 融合），避免单独 kernel 产生的额外访存与 kernel 启动开销；「必须单独做」与事实相反。
C 错：解码阶段是典型的访存带宽瓶颈（memory-bound），每步都要把 KV Cache 整个读一遍；KV Cache 低比特化直接减少访存量，对单请求解码延迟有直接帮助，「没有帮助」错误。
D 错：激活 INT8 量化（配合权重量化）正是为了用低精度乘加（INT8 tensor core）加速计算，并不是「只为省显存」，也不需要「先变回 FP16」——那样就完全用不上 INT8 算力了。
第8题（答案：D —— 自顶向下拆分，把难题变成一组可执行、便于管理的子任务）
8、Agent 处理复杂任务时需要分解任务。下列哪一项是对的？
Agent 处理复杂任务时需要分解任务。下列哪一项是对的？
解析：任务分解（task decomposition / planning）的标准做法是自顶向下：从最终目标出发，逐层把大问题拆成可执行、便于管理和验证的子任务，Agent 逐个完成并汇总。这是 ReAct/Plan-and-Solve 等范式的共同基础。
A 错：不要求一次性拆到原子动作；允许中间层子任务在执行时继续细分，粒度按需而定。
B 错：不必倒序规划；主流做法就是从目标正向自顶向下拆解，倒序只是个别场景的技巧而非必须。
C 错：规划不是一成不变的，执行中要根据反馈动态调整（replan），否则环境稍有变化就会失败。
第9题（答案：B —— 规定每个工具在短时间窗口内最多调用几次）
9、为大模型 Agent 接入工具时，想减少调用错误。下列哪种做法是无效的？
为大模型 Agent 接入工具时，想减少调用错误。下列哪种做法是无效的？
解析：B 是限流（rate limiting）措施，作用是防止滥用、控制成本和保护后端服务，但它不改变「调用参数对不对、工具选得对不对」，对减少调用错误本身无效——该错还是错，只是错得慢一点。题目问「无效的」，选 B。
A 有效：调用前做参数类型和取值范围的校验（schema check），能拦截大量格式/取值错误。
C 有效：清晰的工具说明（docstring：能做什么、参数怎么填、会出什么错）直接提升模型选择和填参的正确率。
D 有效：对返回结果做校验、失败重试或切换备用工具，是容错闭环，能显著降低最终失败率。
第10题（答案：D —— 144）
10、随机变量 Z 的标准差为 4，W = −3Z + 5。方差 Var(W) 是多少？
随机变量 Z 的标准差为 4，W = −3Z + 5。方差 Var(W) 是多少？
解析：方差的性质：Var(aZ + b) = a²·Var(Z)，常数 b 不影响方差。负号在平方后消失。速算：Var(W) = (−3)² · Var(Z) = 9 · 4² = 9 × 16 = **144**。
A 错（48）：误用了 |a|·σ 的线性错误公式（3×4×4=48 是把「标准差线性」的错法混进来了）。
B 错（−12）：方差不可能为负；(−3)×4 是把标准差当线性量算的典型错误。
C 错（12）：|−3|×4，同样是把标准差按线性放大处理的错误，混淆了方差与标准差。
