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》
- 请做一下自我介绍。
- 什么时候毕业?家在哪里?未来想在哪里发展?
- 使用过什么 AI 框架?
- 介绍一下用 PyTorch 做过什么项目。
- 什么卡训练的?几张卡?数据集多大?
- 了解 Transformer 吗?
- 你的研究方向是什么?
- 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?
- 在图像领域有什么经验吗?医学影像方面有什么经验吗?
- 职业规划是什么?是否愿意深耕医疗 AI 赛道?
- 实习时间能保证多久?
- 是否训练过千问小模型?
- 熟悉什么编程语言?C++ 做过什么项目?Python 做过什么项目?
- 前端写过吗?
- 数据库了解吗?
- 平常使用什么 AI 工具?codex 用 GPT 的什么模型?国产模型了解吗?
- 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”。