GPU 面试题
共 11 篇真实面经 · 涵盖 海光信息 / 科大讯飞 / 快手 / MiniMax / 拼多多 等 10 家公司
海光信息 GPU 软件研发一面:C/C++ 内存、并发与 TCP 二十问
海光 GPU 软件研发工程师线下一面,2—3 分钟自我介绍后先用四十分钟挖实习:节能配置下发流程、内存泄漏 bug、定位模块的 SPI/ADC/RS485 与 FreeRTOS 任务拆分,再用一套 C/C++ 与操作系统基本功收尾——深浅拷贝与 double free、struct 内存对齐算 sizeof、volatile 与 static、进程与线程上下文、虚拟内存与 malloc、互斥锁与自旋锁选型、TCP 粘包与滑动窗口,最后问 AI 辅助编程的看法、职业规划与期望薪资。
科大讯飞算子岗一面:SM 占用率、GEMM 计算量与 FlashAttention 迁移
科大讯飞 AI Infra 方向算子岗一面(线上单面,约 32 分钟),节奏是自我介绍与背景、硬件平台与工具链、项目深挖、GPU 体系结构、算子实现细节、大模型与 FA 连续追问、软性与反问,无手撕无笔试。问题包括 SM 占用率、GEMM 计算量、计算/访存/通信瓶颈的判断、为何不用 cuBLAS、img2col、CPU SIMD、prefetch、Softmax 优化、Hopper 特性与 FA 迁移思路。
快手 AI Platform 一面:奇偶重排、显存观测与 MoE 负载均衡
快手 AI Platform 秋招面经,开场问之前所在部门训的是什么模型,随后是奇数在前偶数在后的原地重排 coding、怎么看 GPU 使用的显存、了解哪些 MoE 负载均衡方案、怎么 profile;反问得知组内做多模态大模型。帖主对面试体验评价很低。
MiniMax AI Infra 二面:告警治理、沙箱重定向与慢节点定位
MiniMax AI Infra 平台研发二面,继续深挖腾讯实习:工作流告警为什么改成指标、指标记录什么、什么会导致 workflow 失败;daemonset 安装 CRI 如何保证成功、特权容器的攻击面;告警归属率与降噪;workflow 架构与挂掉后的处理。后半段问沙箱重定向到虚拟机执行的动机与一致性验证,以及一道大模型训练场景题——几千卡里出现慢节点,如何快速定位、硬件采集架构怎么设计。最后是拓扑排序变种(Kahn 算法)。
拼多多 AI Infra 一面:GPU 存储层次、编译链接与手写内存分配器
拼多多 AI Infra 技术面,前半段是系统基础:GPU 的多层存储结构、`#include` 之后编译工具链做了什么、头文件重复包含的问题与条件编译保护宏的原理、`vector` 创建 1000 个元素时的内存分配次数、对象与内存在栈上还是堆上、`malloc(4000)` 返回的是虚拟地址还是物理地址;再问 core dump 的常见原因与定位方法、内存泄漏;手撕是实现一个单线程内存分配器:初始化预分配连续内存,按 Best-Fit 策略分配(大小相同取起始地址最小),切分剩余空间,free 时立即合并左右相邻空闲块,不允许重复释放,要求 allocate/free 复杂度尽量低于 O(n)。
中兴 GPU 算子开发面经:从 GPU 架构问到 FP16 量化与 DQN
中兴 GPU 算子开发线上技术面:自我介绍与项目拷打之后,问 GPU 架构相对 CPU 的优势、FP16 量化、C++ 虚函数、函数指针与指针函数的区别,以及强化学习 DQN 的讲解,最后是竞赛与反问。
思朗科技 算子开发工程师 一面
思朗科技算子开发工程师一面面经:五十分钟围绕简历与项目深挖,覆盖算子实现与优化方案选择、性能瓶颈定位(计算/访存/同步)、优化效果测试条件、Nsight 使用与指标解读、GPU 存储层次、Thread/Warp/Block 关系、C++ 内存管理以及 LLVM 与编译流程。
曦望 AI 编译器开发一面:C++ 多态、CRTP 与 GPU 存储层级
曦望 AI 编译器开发工程师一面面经(47 分钟):先考计算机基础与 C++(排序算法、快排递归改循环、多态、函数重载与运行期多态、模板实例化与复用、模板父类调用子类成员、CRTP 静态多态与虚函数动态多态的选择),再深入编译器与硬件(GPU 缓存与存储层级、CPU 与 GPU 架构差异、LLVM/MLIR、AI/GPU DSL、Triton 与 TileLang 的编程抽象、DSL 适配自研硬件的瓶颈、算子/Pass/硬件特性的优化职责划分),中间穿插实习经历与 RAG 相关性计算,最后问岗位理解与面试建议。
智元机器人高性能计算一面:DCU、warp 分支与 AVX-512
智元机器人 Genie 业务部高性能计算工程师一面面经,15 分钟、无手撕八股:项目拷打 DCU 与 GPU 对比、warp 分支解法、AVX-512 及其对齐与精度约束,再谈 GPU 硬件与大语言模型理解,末尾反问集群与技术栈。
快手 AI Infra 一面面经(同场重复投稿):Attention 算子优化、prefill 与 decode 调度及量化
快手 AI Infra 一面面经(同场重复投稿,题目与另一篇相同):围绕 Attention 重构、Triton 算子、profile 与 Roofline、prefill 与 decode 调度、线性注意力、AWQ 与 W8A16 追问。
字节跳动 AI 平台社招三轮技术面面经
字节AI平台社招面经,围绕推理平台请求量、P99延迟、模型预热、动态批处理、GPU资源池化与冷启动治理展开,并包含技术面通过后的薪资沟通复盘。