上午十點整，林晨準時坐在書桌前，筆記型電腦螢幕上已經打開了T廠線上筆試系統的登入介面。
他深吸一口氣，輸入賬號密碼。
系統提示：“本次筆試時間為180分鐘，包含演算法題4道，機器學習理論題3道，程式設計實踐題1道。請確保網路穩定，全程開啟攝像頭監控。中途退出將自動提交試卷”。
林晨點選“開始考試”按鈕。
倒計時三小時開始跳動。
第一道演算法題就讓他眉頭微皺——這是一道動態規劃與圖論結合的題目，描述複雜，資料規模達到10^5級別。題目要求設計一個演算法，在給定有向無環圖中找到所有從起點到終點的路徑中，滿足特定權重約束的最優解集合。
“這難度……”林晨喃喃自語。
他想起張偉之前提醒過：“T廠的演算法筆試向來以‘勸退’著稱，很多題目都是AC賽級別的改編題，目的就是篩選掉那些只會刷LeetCode簡單題的人”。
林晨沒有慌張。過去三個月，他除了學習AI，每天雷打不動刷兩個小時演算法題，從基礎的陣列、連結串列，到複雜的動態規劃、圖論、字串匹配，累計刷了超過五百道題。更重要的是，他養成了先分析問題本質再動手的習慣。
他拿起草稿紙，開始畫圖分析。
“這題的核心是狀態壓縮和記憶化搜尋”，林晨在紙上快速推導，“每個節點需要記錄到達該節點時的權重狀態，但直接記錄所有可能權重會超時……需要壓縮狀態空間”。
十分鐘後，他理清了思路，開始在程式碼編輯器中敲擊鍵盤。
def find_optil_paths(graph, start, end, weight_lit): # 狀態壓縮：將權重離散化為有限個區間 # 記憶化搜尋：dp【node】【state】 儲存到達該節點、處於該權重狀態時的最優解 # 使用優先佇列進行BFS最佳化 ...
二十分鐘，第一題透過所有測試用例。
林晨鬆了口氣，但不敢鬆懈，立即進入第二題。
第二題是機器學習理論題，考察對Transforr架構的理解。題目要求詳細解釋自注意力機制的計算過程，並推導其時間複雜度。接著是擴充套件問題：如果要在移動端部署Transforr模型，有哪些最佳化策略？請從模型壓縮、量化、蒸餾等角度分別闡述。
這題正中林晨下懷。他最近剛深入研究過大模型部署最佳化，為了自己的投資系統能在低配伺服器上執行，他嘗試過多種模型壓縮技術。
他手指在鍵盤上飛舞：
“自注意力機制的核心是Q、K、V三個矩陣的計算。給定輸入序列X∈R^(n×d)，首先透過線性變換得到Q=XW_Q, K=XW_K, V=XW_V，其中W_Q、W_K、W_V∈R^(d×d_k)……”
“時間複雜度分析：QKT的計算複雜度為O(n2·d_k)，softx為O(n2)，與V相乘為O(n2·d_v)，總複雜度為O(n^2·d)。當序列長度n很大時，這是主要瓶頸”。
“移動端最佳化策略：1. 模型剪枝，移除冗餘權重；2. 量化，將FP32權重轉換為INT8甚至INT4；3. 知識蒸餾，用大模型訓練小模型；4. 注意力稀疏化，只計算區域性注意力；5. 運算元融合，減少記憶體訪問開銷……”
林晨寫得詳細而專業，不僅回答了問題，還補充了實際工程中可能遇到的坑，比如量化後的精度損失如何補償，蒸餾時如何設計損失函式等。
第三題又是演算法題，這次是字串處理與數論結合。題目給出一個由小寫字母組成的字串S，要求找出所有滿足特定性質的子串，性質是：子串中每個字元出現的次數都是某個質數的冪次。
“質數的冪次……”林晨陷入思考。
他先嚐試暴力解法，但字串長度上限是105，O(n2)的演算法肯定超時。必須找到更優的解法。
時間一分一秒過去。林晨看了眼倒計時，還剩兩小時十分鐘。他強迫自己冷靜下來，重新讀題。
“每個字元出現次數是質數的冪次……那可能的次數只有：2,3,4(22),5,7,8(23),9(32),11,13,16(24)……”
“等等，這其實是個狀態壓縮問題”！林晨突然靈光一閃，“26個小寫字母，每個字母的出現次數只有有限種可能狀態。我可以把子串的特徵壓縮成一個狀態向量，然後用雜湊表記錄每個狀態最早出現的位置……”
。例用試測有所了過通，題道這了完鐘分十四了用晨林。渠到水就碼式程，啟開旦一路思
。件元心核等新更化佳最、播傳向反、播傳向前括包，架框練訓路網經神的單簡個一現實求要，題踐實計設式程是後然。答解利順礎基學數的實紮藉憑晨林，型模圖率機和論理斯葉貝察考題習學機的來下接
。能功用實等減衰重權和剪裁度梯了加意特還，化adA和DGS了現實，類rezitpO、類ssoL、類reyaL了義定地練他。架框習學度深級量輕的寫己自個一有就裡統系資投的他——題分送是乎幾說來晨林對這
。目題有所了完晨林，時鐘分十三剩還時計倒
。”提“選點後然，誤筆幾了正修，案答的題道每遍一了查檢細仔他
