又到一年秋招季身邊不少學(xué)弟學(xué)妹在后臺問起聯(lián)想2025年秋招技術(shù)研究人工智能類筆試的情況。今年聯(lián)想的筆試在AI算法崗里算比較有代表性的題量不小、范圍很寬既考基礎(chǔ)功底又考工程落地思維。我結(jié)合自己和幾位同學(xué)今年秋招的實戰(zhàn)復(fù)盤把這套筆試的出題邏輯、備考要點和踩坑記錄整理成文給后面要投聯(lián)想或者其他大廠AI研究崗的同學(xué)做個參考。先說清楚這篇文章不是給你背答案用的而是幫你建立一套應(yīng)對這類筆試的思考框架。技術(shù)研究人工智能類崗位的筆試核心考察的不是你背了多少模型結(jié)構(gòu)而是你面對一個實際問題時能不能快速判斷用什么方法、為什么用這個方法、怎么把它落地。聯(lián)想的題雖然有自家特色但整體思路和主流大廠AI崗筆試是相通的把這套邏輯吃透你投其他公司同樣適用。1. 筆試整體考察方向與崗位定位的匹配邏輯1.1 技術(shù)研究崗和純開發(fā)崗的筆試差異很多人拿到聯(lián)想的筆試通知第一反應(yīng)是去刷LeetCode這沒錯但只對了一半。技術(shù)研究人工智能類崗位和普通后端開發(fā)崗相比考察的側(cè)重點明顯不同。純開發(fā)崗更看重代碼能力、數(shù)據(jù)結(jié)構(gòu)功底、系統(tǒng)設(shè)計思維而AI技術(shù)研究崗在編程之外還會重點考察機器學(xué)習(xí)理論基礎(chǔ)、深度學(xué)習(xí)模型理解、數(shù)學(xué)推導(dǎo)能力以及對前沿論文的閱讀理解能力。聯(lián)想的筆試題目結(jié)構(gòu)大概分成四個部分編程題、機器學(xué)習(xí)/深度學(xué)習(xí)基礎(chǔ)題、數(shù)學(xué)基礎(chǔ)題、綜合推理題。編程題占比大概在30%到40%之間剩下的全是理論題和推理題。這意味著你光刷題不補理論筆試后半段會非常吃力。我當(dāng)時有個朋友LeetCode刷了近五百題結(jié)果掛在機器學(xué)習(xí)基礎(chǔ)題上——一道關(guān)于梯度消失原因的多選題他選了“學(xué)習(xí)率過大”作為唯一原因其實正確答案還包括“激活函數(shù)飽和”和“網(wǎng)絡(luò)層數(shù)過深”。這就是典型的刷題思維和理論思維脫節(jié)。另外要注意的是聯(lián)想的技術(shù)研究崗筆試時間通常是90分鐘到120分鐘題量大概在50到70道之間。這個體量決定了你每道題平均只有一分多鐘根本沒時間在考場上慢慢推導(dǎo)公式。那些概念性的知識點必須形成條件反射看到題干就能立刻鎖定答案。所以備考階段光“看過”不行要做到“能默寫”的程度。1.2 聯(lián)想筆試的科目構(gòu)成與時間分配根據(jù)今年2025屆秋招的實際情況聯(lián)想技術(shù)研究人工智能類筆試的科目構(gòu)成大致如下表所示。注意每年題目可能有微調(diào)但大方向不會有太大變動?？颇磕K大致題量題型建議用時考察核心編程題2-3題代碼填空/算法實現(xiàn)30-40分鐘數(shù)據(jù)結(jié)構(gòu)、動態(tài)規(guī)劃、邊界處理機器學(xué)習(xí)基礎(chǔ)15-20題單選/多選20-25分鐘模型原理、損失函數(shù)、正則化深度學(xué)習(xí)基礎(chǔ)15-20題單選/多選20-25分鐘CNN/RNN/Transformer、訓(xùn)練技巧數(shù)學(xué)基礎(chǔ)與推理10-15題選擇/填空15-20分鐘概率論、線性代數(shù)、最優(yōu)化綜合分析與前沿5-10題場景題/簡答10-15分鐘論文理解、模型選型、業(yè)務(wù)落地從時間分配就能看出來編程題雖然是硬骨頭但理論題的總分值其實更高。很多人一上來就死磕編程題結(jié)果后面理論題時間不夠白白丟分。我自己考試時的策略是先把所有選擇題快速過一遍把會做的穩(wěn)定拿分再回來做編程題最后剩余時間留給綜合推理題。這個策略不一定適合所有人但你要在平時模擬時找到自己的節(jié)奏別上了考場才手忙腳亂。2. 題型拆解與核心知識點復(fù)盤2.1 機器學(xué)習(xí)基礎(chǔ)概念辨析是重災(zāi)區(qū)機器學(xué)習(xí)基礎(chǔ)部分聯(lián)想出題非常喜歡考“概念辨析”類的題目。比如給你四個選項每個選項是對某個模型或算法的描述讓你選出錯誤的那一個。這類題目表面考概念實際考的是你對算法本質(zhì)的理解程度而不是表面上的“背定義”。舉個例子考過一道關(guān)于L1和L2正則化的選擇題選項A“L1正則化可以產(chǎn)生稀疏權(quán)重”選項B“L2正則化會讓權(quán)重趨向于零但不會精確等于零”選項C“L1正則化等價于對權(quán)重施加拉普拉斯先驗”選項D“L2正則化等價于對權(quán)重施加拉普拉斯先驗”。答案是DL2對應(yīng)的是高斯先驗。如果你只是記住了“L1稀疏、L2防過擬合”這種口訣碰到這種題就懵了。所以備考時對于常用的正則化、損失函數(shù)、優(yōu)化器不僅要知其然還要知道它們的數(shù)學(xué)表達(dá)和概率解釋。還有一個高頻考點是“偏差-方差分解”。題目往往這樣出一個模型訓(xùn)練集誤差很低但測試集誤差很高問你最可能是因為什么。答案當(dāng)然是方差過大、過擬合。但聯(lián)想會把它變個花樣——比如給出一組學(xué)習(xí)曲線讓你判斷模型處于什么狀態(tài)以及最有效的解決手段是什么。這就要你把偏差-方差理論和實際調(diào)參經(jīng)驗結(jié)合起來不是純理論題了。提示備考機器學(xué)習(xí)基礎(chǔ)時強烈建議自己動手推一遍邏輯回歸、SVM、樸素貝葉斯的數(shù)學(xué)推導(dǎo)。不一定要精通所有細(xì)節(jié)但至少知道損失函數(shù)怎么來的、梯度怎么更新。聯(lián)想的題考得很活但萬變不離其宗。2.2 深度學(xué)習(xí)基礎(chǔ)Transformer和訓(xùn)練技巧是絕對重點今年的深度學(xué)習(xí)基礎(chǔ)題里Transformer相關(guān)的題目占比非常高這跟整個行業(yè)的技術(shù)趨勢是一致的。我在筆試中遇到了好幾道關(guān)于自注意力機制的題目比如計算復(fù)雜度、位置編碼的作用、多頭注意力的意義等等。這些內(nèi)容在面試中也是高頻考點筆試階段就要打好底子。具體來說你需要掌握這幾個方面自注意力機制的公式(Q、K、V怎么算softmax溫度系數(shù)的作用)多頭注意力為什么有效(不同的頭學(xué)到了不同的語義子空間)位置編碼為什么需要(Transformer沒有時序信息必須顯式注入位置信息)。今年聯(lián)想甚至考了一道關(guān)于RoPE(旋轉(zhuǎn)位置編碼)的簡答題讓你說明它相比傳統(tǒng)絕對位置編碼的優(yōu)勢。這就屬于前沿一點的題目了說明他們確實在關(guān)注行業(yè)最新進(jìn)展不只是考老掉牙的基礎(chǔ)。訓(xùn)練技巧方面的考點包括學(xué)習(xí)率預(yù)熱(learning rate warmup)的作用、梯度裁剪解決什么問題、混合精度訓(xùn)練的原理、Batch Normalization和Layer Normalization的區(qū)別。這里有個容易混淆的點很多同學(xué)搞不清為什么Transformer用LayerNorm而CNN用BatchNorm。核心原因在于BatchNorm依賴batch維度統(tǒng)計量而NLP任務(wù)中序列長度變化大、batch通常較小統(tǒng)計量不穩(wěn)定LayerNorm是對每個樣本的隱含層做歸一化不受batch大小影響更適合序列模型。這類“為什么用A不用B”的題目才是拉開差距的關(guān)鍵。2.3 數(shù)學(xué)基礎(chǔ)與算法思維概率題永遠(yuǎn)是主力數(shù)學(xué)基礎(chǔ)這塊概率論和線性代數(shù)各占半壁江山。概率論最愛考的是貝葉斯公式、期望方差的計算、常見分布的性質(zhì)以及簡單的參數(shù)估計。我記得有一道題是這樣的一個袋子里有紅球和白球紅球比例未知你隨機抽取10個球其中7個是紅的用極大似然估計紅球比例是多少。這道題本身不難答案是0.7但如果你不知道極大似然估計的基本思路就會卡住。線性代數(shù)的高頻考點是矩陣特征值分解、奇異值分解(SVD)、正定矩陣性質(zhì)。這些知識點表面上看起來和AI關(guān)系不大但實際上PCA、推薦系統(tǒng)、詞向量訓(xùn)練都離不開它們。我記得有一道題是問SVD在推薦系統(tǒng)中的應(yīng)用場景以及為什么用SVD能處理稀疏矩陣。這就是典型的“用數(shù)學(xué)解決工程問題”的思路。算法思維這塊除了筆試中的編程題選擇題里也會穿插一些復(fù)雜度分析、數(shù)據(jù)結(jié)構(gòu)選擇的問題。比如給一個場景需要對海量數(shù)據(jù)進(jìn)行實時TopK統(tǒng)計你選什么數(shù)據(jù)結(jié)構(gòu)合適。答案是堆(Heap)時間復(fù)雜度O(nlogK)而不是全排序。這種題目對刷過題的同學(xué)來說很簡單但對只背理論不會做題的同學(xué)來說就容易丟分。3. 聯(lián)想特色端側(cè)AI與多模態(tài)場景化命題3.1 為什么聯(lián)想會重點考察端側(cè)AI如果你想投聯(lián)想的AI崗就一定要了解這家公司的業(yè)務(wù)偏向。聯(lián)想是做PC、服務(wù)器、智能設(shè)備起家的這幾年大力布局“端-邊-云”協(xié)同的AI戰(zhàn)略。所謂端側(cè)AI就是在手機、PC、物聯(lián)網(wǎng)設(shè)備上直接運行AI模型而不是把數(shù)據(jù)傳到云端再計算。這個方向在聯(lián)想的筆試中體現(xiàn)得非常明顯幾乎每年都會有相關(guān)的場景題。端側(cè)AI的核心約束是“資源有限”算力有限、內(nèi)存有限、電池有限。所以在考察相關(guān)知識點時聯(lián)想會非常關(guān)注你知不知道怎么在資源受限的情況下部署模型。比如模型壓縮技術(shù)——剪枝、量化、知識蒸餾這些傳統(tǒng)AI崗可能只是了解層面的東西在聯(lián)想的筆試?yán)飼蔀榭疾熘攸c。具體題目可能這樣出一個圖像分類模型要在某款PC設(shè)備上實時運行但推理速度不達(dá)標(biāo)問你最有效的優(yōu)化手段是什么。選項里有換更大的模型、減少輸入圖像分辨率、做8bit量化、增加batch size。正確答案是量化和減少輸入分辨率因為換大模型只會更慢增加batch size在推理端往往沒意義。這類題目考察的是你對“模型部署”這個環(huán)節(jié)是否有實際概念。3.2 場景化命題的解題框架從業(yè)務(wù)需求反推技術(shù)方案聯(lián)想的綜合推理題特別喜歡給你一個業(yè)務(wù)場景讓你從技術(shù)角度給出方案。這些場景往往和聯(lián)想的產(chǎn)品線強相關(guān)比如智能會議系統(tǒng)的語音識別、PC端的文檔OCR、工廠里的質(zhì)量檢測等等。解答這類題目有一個非常實用的框架先明確業(yè)務(wù)約束再評估可選技術(shù)方案最后給出可落地的建議。舉一個我今年遇到的真題變體聯(lián)想有一款面向教育場景的智能平板需要在離線狀態(tài)下完成學(xué)生作業(yè)的OCR識別和錯題分析。離線意味著不能調(diào)用云端大模型必須在設(shè)備端完成。問題問你會選擇什么技術(shù)路線以及遇到的主要挑戰(zhàn)是什么。我當(dāng)時的答題思路是OCR部分選擇輕量級的端側(cè)OCR模型(如PaddleOCR的移動端版本)錯題分析部分用規(guī)則加小模型結(jié)合的方式主要挑戰(zhàn)是手寫體識別準(zhǔn)確率、設(shè)備算力限制和離線模型更新機制。這個思路本身沒有標(biāo)準(zhǔn)答案但你要體現(xiàn)出“在約束條件下做技術(shù)取舍”的能力這正是技術(shù)研究崗需要的素質(zhì)。提示備考聯(lián)想這種偏硬件的AI崗一定要去了解他們最近發(fā)布的AI產(chǎn)品和技術(shù)路線。比如端側(cè)大模型、AI PC、異構(gòu)計算這些概念如果能在筆試的簡答題里自然地帶出來會讓你的答案更有針對性。4. 備考時間線與資料清單4.1 三輪復(fù)習(xí)法從打基礎(chǔ)到模擬沖刺因為聯(lián)想筆試的范圍比較廣我不建議你考前一周才臨時抱佛腳。比較穩(wěn)妥的做法是安排三到四周的備考周期分成三輪來復(fù)習(xí)。第一輪(第1周)是打基礎(chǔ)重點是機器學(xué)習(xí)核心算法和深度學(xué)習(xí)基礎(chǔ)。這個階段你需要快速過一遍知識點不需要做題但要理解每個模型的原理、優(yōu)缺點和適用場景。推薦用李航的《統(tǒng)計學(xué)習(xí)方法》前六章加上李沐的《動手學(xué)深度學(xué)習(xí)》相關(guān)章節(jié)把邏輯回歸、SVM、決策樹、CNN、RNN這些核心模型過一遍。這個階段的目標(biāo)是建立起完整的知識框架而不是死記硬背。第二輪(第2-3周)是刷題和補盲區(qū)。這一輪你要開始做往年真題和模擬題重點練習(xí)機器學(xué)習(xí)/深度學(xué)習(xí)的選擇題同時保證每天至少兩道編程題的手感。做題過程中你會發(fā)現(xiàn)自己的知識盲區(qū)比如某個數(shù)學(xué)公式不熟悉、某種模型原理理解不透徹這時候再有針對性地回去查資料。我們當(dāng)時建了一個秋招刷題群每天互相分享錯題效果比自己悶頭刷好很多。第三輪(考前3-5天)是模擬沖刺。嚴(yán)格按照考試的時間限制做整套模擬題目的是適應(yīng)考試節(jié)奏和題量。模擬的時候一定要計時不要一道題卡太久。這個階段還要重點復(fù)習(xí)之前做錯的題目把易錯點整理成筆記反復(fù)看。我自己習(xí)慣考前把所有核心公式手寫一遍既加深記憶也方便考試時快速調(diào)動。4.2 備考資料推薦哪些值得看哪些可以跳過關(guān)于備考資料我踩過一些坑也積累了一些心得。市面上的資料魚龍混雜很多內(nèi)容花哨但沒用。以我的經(jīng)驗來看把這些資料吃透就夠了。資料使用方式優(yōu)先級《統(tǒng)計學(xué)習(xí)方法》前6章重點掌握邏輯回歸、SVM、決策樹推導(dǎo)高《動手學(xué)深度學(xué)習(xí)》快速熟悉PyTorch實現(xiàn)和Transformer結(jié)構(gòu)高CS229課程筆記補充概率論和優(yōu)化算法細(xì)節(jié)中《百面機器學(xué)習(xí)》刷面試/筆試題查漏補缺高LeetCode熱題100每天2-3題保持編程手感高各類模型技術(shù)博客理解“為什么”層面的細(xì)節(jié)中至于那些動輒幾百頁的“XX大廠真題合集”我不是特別推薦。因為網(wǎng)上流傳的真題往往不完整而且很多沒有標(biāo)準(zhǔn)答案做錯了也不知道為什么錯反而浪費時間。不如把精力放在核心基礎(chǔ)知識的深度理解上。筆試題目雖然千變?nèi)f化但核心考點是穩(wěn)定的基礎(chǔ)扎實了以不變應(yīng)萬變。5. 踩坑記錄筆試中容易丟分的六個細(xì)節(jié)5.1 題型相關(guān)多選題是最容易翻車的地方聯(lián)想的機器學(xué)習(xí)基礎(chǔ)題里多選題占比不低而且評分標(biāo)準(zhǔn)通常是“少選得部分分錯選不得分”。這個規(guī)則很關(guān)鍵意味著你拿不準(zhǔn)的選項千萬別選。我看過不少同學(xué)明明知識掌握得不錯但每次多選題都喜歡把不確定的選項也勾上結(jié)果錯選被整題扣分非?？上?。我記得有一道多選題以下哪些措施可以緩解過擬合選項包括增加訓(xùn)練數(shù)據(jù)、降低模型復(fù)雜度、增加模型層數(shù)、使用Dropout、增大正則化系數(shù)。正確答案是增加訓(xùn)練數(shù)據(jù)、降低模型復(fù)雜度、使用Dropout、增大正則化系數(shù)。但有個同學(xué)選了“增加模型層數(shù)”因為他覺得模型更大了能擬合更多特征完全弄反了。這種題就是考察你對過擬合本質(zhì)的理解而不是讓你靠猜。我建議你在做多選題時先把確定的選項選上不確定的寧可不選保住基礎(chǔ)分。另一個容易丟分的地方是簡答題。聯(lián)想的簡答題不一定每場都有但一旦有分值往往不低。簡答題的答題策略是“結(jié)構(gòu)清晰、要點突出”。不需要寫長篇大論但要把關(guān)鍵點分條列清楚。比如問“如何解決Transformer推理速度慢的問題”你可以從模型層面(剪枝、蒸餾、量化)和工程層面(算子融合、并行推理)兩個維度來答。用分點作答閱卷人一眼就能看到你的思路框架。5.2 代碼細(xì)節(jié)邊界條件和復(fù)雜度是隱性扣分點編程題雖然是標(biāo)準(zhǔn)算法題但聯(lián)想的編程題有一些“隱藏要求”要注意。首先是輸入輸出格式有些題目要求從標(biāo)準(zhǔn)輸入讀取有些則是補全函數(shù)。如果是補全函數(shù)注意看清楚函數(shù)的參數(shù)類型和返回值類型不要寫錯簽名。其次是時間和空間復(fù)雜度的限制有的題目會明確給出數(shù)據(jù)規(guī)模這其實是在暗示你應(yīng)該用什么復(fù)雜度的算法。我今年遇到的一道題是這樣給定一個無序數(shù)組要求找出最長的連續(xù)序列長度時間復(fù)雜度要求O(n)。看到這個要求就應(yīng)該立刻想到用哈希集合而不是排序之后遍歷。如果你用了排序即使功能正確也會因為不滿足時間要求而只拿部分分?jǐn)?shù)。這類題目非常常見LeetCode的“最長連續(xù)序列”(128題)就是原題。所以刷題的時候不要只看自己能不能AC還要想清楚最優(yōu)解是什么為什么這個復(fù)雜度是必須的。還有個細(xì)節(jié)很多編程題支持多種語言作答但不同語言在輸入輸出上差異很大。習(xí)慣用C刷題的同學(xué)考試時如果選了Python要注意輸入讀取的方式不同別在環(huán)境切換上浪費時間。我自己是考前就確定好主用語言每一道編程題都用Python寫這樣在考場上不需要思考直接開寫。5.3 常見問題速查表考前30分鐘過一遍最后整理一份考前提綱式的檢查清單來自我多次筆試的經(jīng)驗教訓(xùn)你可以保存下來考前30分鐘過一遍。易錯點正確理解/建議L1/L2正則化對應(yīng)的先驗L1拉普拉斯先驗L2高斯先驗Dropout訓(xùn)練和推理的區(qū)別訓(xùn)練時隨機失活推理時保留全部并縮放權(quán)重BatchNorm和LayerNorm適用場景CV用BN多NLP/Transformer用LN多梯度消失的常見原因網(wǎng)絡(luò)過深、激活函數(shù)飽和、初始化不當(dāng)端側(cè)模型優(yōu)化的主要手段量化、剪枝、蒸餾、算子優(yōu)化多選題評分規(guī)則少選得部分分錯選不得分拿不準(zhǔn)不選編程題復(fù)雜度要求注意看數(shù)據(jù)規(guī)模提示選擇匹配的算法簡答題答題格式分點作答先結(jié)論后原因邏輯清晰另外再提醒一點考試前務(wù)必檢查自己的網(wǎng)絡(luò)環(huán)境和設(shè)備。聯(lián)想的筆試通常是在第三方在線筆試平臺進(jìn)行如果中途斷網(wǎng)系統(tǒng)可能不會自動保存已提交的答案。我有一次就是答完編程題提交時網(wǎng)絡(luò)卡了幾秒差點丟題。所以建議提前十分鐘進(jìn)系統(tǒng)把環(huán)境調(diào)試好考試過程中盡量別切換網(wǎng)絡(luò)。按照我個人的備考體驗聯(lián)想技術(shù)研究人工智能類筆試的難度在秋招大廠里不算最頂尖但覆蓋面非常廣想在短時間內(nèi)全部掌握幾乎不可能。你需要做的是抓住主要矛盾機器學(xué)習(xí)/深度學(xué)習(xí)基礎(chǔ)是確定性的送分題編程題是拉開差距的硬骨頭場景題是展現(xiàn)你AI工程思維的關(guān)鍵。把這三塊把握好筆試通過應(yīng)該問題不大。最后再分享一個容易被忽略的點考完試回頭看那些平時喜歡看技術(shù)博客、自己動手復(fù)現(xiàn)論文的同學(xué)在筆試?yán)锲毡楸憩F(xiàn)得更好。因為筆試考察的本質(zhì)不是記憶而是理解。你只有在平時多問自己“為什么”才能在考場上快速給出正確答案。