面灵AI→

空山慈 AI Agent 一面:Transformer、训练资源与医疗 AI 方向

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 请做一下自我介绍。
  2. 什么时候毕业?家在哪里?未来想在哪里发展?
  3. 使用过什么 AI 框架?
  4. 介绍一下用 PyTorch 做过什么项目。
  5. 什么卡训练的?几张卡?数据集多大?
  6. 了解 Transformer 吗?
  7. 你的研究方向是什么?
  8. 本科的人工智能专业属于哪个学院?本科学了哪些人工智能方面的东西?
  9. 在图像领域有什么经验吗?医学影像方面有什么经验吗?
  10. 职业规划是什么?是否愿意深耕医疗 AI 赛道?
  11. 实习时间能保证多久?
  12. 是否训练过千问小模型?
  13. 熟悉什么编程语言?C++ 做过什么项目?Python 做过什么项目?
  14. 前端写过吗?
  15. 数据库了解吗?
  16. 平常使用什么 AI 工具?codex 用 GPT 的什么模型?国产模型了解吗?
  17. 你有什么想问我们的?(反问)

《参考解析》

训练资源怎么答:这题考的是”你真的跑过训练”。要能立刻说出卡型(A100 40G/80G、H100、4090、国产卡)、卡数、并行策略(单卡/DP/DDP/FSDP/DeepSpeed ZeRO)、单卡 batch 与梯度累积、训练时长、数据集规模(图片张数、token 数、标注方式)和最终指标。小规模实验就如实说”单机 8 卡 4090、十几万张图、两天跑完”,虚报大集群一问显存占用和吞吐就会露馅。加分的是能讲清瓶颈在哪:是数据加载 CPU 打满、通信占了大头、还是显存不够只能开 checkpoint。

Transformer 的答法:结构上按”输入 embedding + 位置编码 → N 层(多头自注意力 + 前馈网络,各自带残差和 LayerNorm)→ 输出头”讲;注意力是 softmax(QKᵀ/√d)V,除以 √d 是为了防止点积过大导致梯度消失;多头是把表示空间切成多个子空间分别学不同的关系。工程上要提得到的关键点:训练并行(TP/PP/DP)、KV Cache 让自回归解码不重复算历史、位置编码的外推(RoPE 相对位置)、以及注意力的 O(n²) 复杂度和 FlashAttention 的分块优化。医疗场景还会追问小样本、长尾和可解释性。

医疗 AI 的认知:回答重点不是”我很感兴趣”,而是说清这条赛道的特殊性——数据获取难(标注要专业医生、涉及隐私合规)、评价标准和临床价值不完全一致(灵敏度/特异度、假阴性代价远大于假阳性)、落地要过注册审批和医院部署环境(算力有限、要可解释)。如果有医学影像经验,讲清任务(分割/检测/分类)、数据来源与标注、遇到的类别不平衡和域偏移(不同医院设备差异),以及怎么做的数据增强和外部验证。没有就诚实说,再表达愿意补的方向。

AI 工具与模型选型:日常一般是”IDE 内补全 + 对话式 agent + 命令行工具”三层:补全用于写样板,agent 用于改多文件和跑命令,CLI 用于在仓库里做批量重构。模型选择看任务:长上下文和复杂重构看推理能力,生成速度看小模型,涉及代码库私有内容优先用能接本地检索的方案。国产模型现在在中文理解、代码生成和价格上都有可用选项,答的时候要能说出具体差异(上下文长度、工具调用稳定性、是否支持思考模式),而不是笼统说”都差不多”。

C++ 与 Python 的分工:Python 负责数据、训练、实验编排和快速验证;C++ 负责性能敏感的推理、算子、部署和与硬件/引擎的对接(比如 TensorRT 插件、自定义 CUDA 算子、SDK 封装)。如果被问”你 C++ 做过什么”,最好给一个有具体产出的例子:写过一个推理服务、做过内存池、封装过模型 SDK、或者优化过某个算子的耗时。

职业规划与反问:规划要贴着岗位说——短期把业务链路跑通(数据、训练、评测、上线),中期能独立负责一个方向的模型效果,长期往”算法 + 工程 + 业务理解”的复合方向走。反问可以问:团队现在主要做哪类医疗任务、数据从哪来、模型是在云端还是院内离线部署、新人前半年跟什么项目。这些问题能体现你在认真考虑落地,而不是只想来”训个模型”。