秋招季最刺激的事情就是你永遠猜不到目標公司的筆試題會從哪個角度“問候”你。2024年秋招我投了OPPO的AI/算法崗筆試是在線上規(guī)定時間完成的整體感受可以用八個字概括范圍大、題量大、區(qū)分度高。如果只看面經(jīng)很多人會說OPPO筆試“偏機器學習理論”但實際做下來會發(fā)現(xiàn)數(shù)據(jù)結構和算法基本功的占比一點都不低編程題才是真正拉開差距的地方。這篇內容我圍繞2024秋招OPPO AI/算法崗筆試的完整經(jīng)歷來梳理從考試形式、考點分類、編程題實戰(zhàn)思路到常見坑點一次性講清。無論你是2025屆正在備戰(zhàn)的應屆生還是打算后續(xù)投遞算法崗的低年級同學這篇都能作為一份相對完整的備戰(zhàn)參考。重點會講清楚每個考點“為什么考”和“怎么準備”而不是單純羅列題目。1. 筆試整體情況與題型分布1.1 考試形式與平臺實操OPPO的秋招筆試用的是第三方在線考試平臺整體流程是收到郵件通知–約定時間段內登錄–開啟攝像頭監(jiān)控–在網(wǎng)頁編輯器里完成答題。我記得當時是10道左右的選擇題加上3道編程題總時長大概90分鐘到120分鐘具體時間會依據(jù)崗位方向略有差別。AI/算法崗和純軟件開發(fā)崗的卷子不太一樣算法崗的選擇題里機器學習、深度學習占比明顯更高。這里有一個容易忽略的細節(jié)筆試平臺支持本地IDE寫代碼但最終提交必須要粘貼到平臺自帶編輯器中。很多人習慣本地跑通后直接復制卻忽略了平臺對代碼格式、輸入輸出的要求。OPPO的編程題采用ACM風格需要自己處理標準輸入輸出和LeetCode那種只填核心函數(shù)的方式完全不同。建議提前去?？途W(wǎng)熟悉一下這種OJ模式的寫題節(jié)奏尤其是while(cin n)或者input().strip()的讀取方式不要因為輸入解析卡住導致AC不了。1.2 題目構成與考察范圍從題型分布來看選擇題部分覆蓋了線性代數(shù)、概率統(tǒng)計、機器學習基礎、深度學習基礎、數(shù)據(jù)結構算法等幾大塊。其中機器學習基礎題占比最高像偏差方差分解、正則化作用、過擬合處理手段這類題基本是必考。深度學習方向則會問到CNN感受野計算、BatchNorm作用、常見激活函數(shù)的優(yōu)缺點等。編程題部分則是經(jīng)典的三道題配置第一題偏簡單通常是字符串處理或模擬第二題中等常見的是貪心、動態(tài)規(guī)劃或圖論第三題難度明顯上一個臺階往往需要結合多個知識點甚至可能是需要優(yōu)化的搜索或DP問題。整張試卷做下來的直觀感受是選擇題拼的是知識面和工作經(jīng)驗積累而編程題拼的是刷題量和代碼熟練度。前者可以短期突擊后者需要足夠的時間儲備。2. 核心考點拆解數(shù)據(jù)結構與算法基礎2.1 KMP與字符串匹配next數(shù)組手工演算字符串匹配是筆試選擇題里的?？投鳮MP算法中next數(shù)組的求解幾乎每次都會出現(xiàn)。比如網(wǎng)上經(jīng)?？吹竭@樣一道題“對于模式串p‘a(chǎn)bacaba’其next數(shù)組是多少”這種題考察的是你對前綴函數(shù)定義的真正理解而不是死記硬背模板。以p abacaba為例我用常見的next數(shù)組定義即失配時模式串回退的位置從0開始計數(shù)來演算一遍。首先要明確next[i]表示“前i個字符組成的子串中最長相等前后綴的長度”但工程實現(xiàn)上有時會把next[0]置為-1或0不同教材定義略有差異考試時先看清題目給的是哪種。i 0子串“a”沒有真前后綴next[0] 0若題目采用-1初始化的版本則通常整個數(shù)組會整體偏移一種風格。i 1子串“ab”前綴“a”后綴“b”不相等next[1] 0。i 2子串“aba”前綴集合{“a”, “ab”}后綴集合{“a”, “ba”}最長公共前后綴是“a”長度為1next[2] 1。i 3子串“abac”前綴集合{“a”, “ab”, “aba”}后綴集合{“c”, “ac”, “bac”}無公共前后綴next[3] 0。i 4子串“abaca”公共前后綴為“a”長度1next[4] 1。i 5子串“abacab”最長公共前后綴是“ab”長度2next[5] 2。i 6子串“abacaba”最長公共前后綴是“aba”長度3next[6] 3。所以p abacaba的next數(shù)組為[0, 0, 1, 0, 1, 2, 3]。這里有一個常見誤區(qū)很多人會把next[i]當成“當前位置之前的最長前綴長度”忽略了它本質上比較的是前i個字符內部的對稱性?？紙錾先绻肟焖衮炞C可以直接手寫一個前綴函數(shù)模擬跑一遍原串就能確認。KMP這塊的備考建議是不僅會求next數(shù)組還要能夠解釋為什么失配時可以直接跳轉以及next數(shù)組和自動機的關系。面試環(huán)節(jié)經(jīng)常會追問這些。2.2 排序算法高頻對比排序算法在選擇題中屬于送分題但OPPO的出題方式往往不是直接問“快排的時間復雜度”而是給出一個具體序列問你“經(jīng)過一趟快排后數(shù)組的狀態(tài)是什么”或者“下列哪個排序算法在最壞情況下時間復雜度為O(n2)且不穩(wěn)定”。這類題要求你對排序過程本身足夠熟悉而不只是記住結論。我整理了一張?？紝Ρ缺砘靖采w筆試高頻排序排序算法平均時間復雜度最壞時間復雜度空間復雜度穩(wěn)定性冒泡排序O(n2)O(n2)O(1)穩(wěn)定選擇排序O(n2)O(n2)O(1)不穩(wěn)定插入排序O(n2)O(n2)O(1)穩(wěn)定希爾排序O(n log n)/O(n^1.3)O(n2)O(1)不穩(wěn)定歸并排序O(n log n)O(n log n)O(n)穩(wěn)定快速排序O(n log n)O(n2)O(log n)不穩(wěn)定堆排序O(n log n)O(n log n)O(1)不穩(wěn)定備考時要特別注意穩(wěn)定性和空間復雜度這兩個維度這是最容易出多選題的點。比如歸并排序雖然時間和快排同為O(n log n)但它額外占用O(n)的輔助空間所以在大規(guī)模外部排序場景中應用廣泛。還有一類高頻變形題在一個基本有序的數(shù)組中哪種排序算法效率最高答案是插入排序因為它的最好時間復雜度可以達到O(n)。這種題目在真實業(yè)務中也常見比如日志數(shù)據(jù)按時間增量排序、需要“打補丁式”地插入新數(shù)據(jù)時插入排序的方案往往比直接快排更高效。2.3 貪心、動態(tài)規(guī)劃、位運算的考法算法類選擇題除了基礎數(shù)據(jù)結構外還喜歡考察“算法設計策略”的判斷題。比如給出一段問題描述讓你判斷該用貪心還是動態(tài)規(guī)劃或者給出遞推方程讓你計算時間復雜度。這里的高頻考點包括貪心算法區(qū)間調度問題按結束時間排序、霍夫曼編碼、最小生成樹中的Prim和Kruskal算法。?？寂袛囝}是“貪心是否能得到全局最優(yōu)解”關鍵要識別貪心選擇性質和最優(yōu)子結構。動態(tài)規(guī)劃0/1背包、最長公共子序列LCS、最長遞增子序列LIS。筆試選擇題一般不會讓你完整手寫DP方程而是會給出dp數(shù)組的中間狀態(tài)讓你推導下一步的值。位運算異或交換、判斷2的冪、統(tǒng)計二進制中1的個數(shù)Brian Kernighan算法。這類題在筆試中很簡單但很容易因為不熟悉位運算優(yōu)先級而算錯。舉個我在OPPO筆試中印象深刻的判斷題給定一組區(qū)間求最大不相交區(qū)間數(shù)量。如果直接按區(qū)間長度排序然后貪心選最短的其實是錯的正確做法是按結束時間排序每次選結束最早的區(qū)間。這類“反直覺”考點就是筆試用來區(qū)分“背題黨”和“真懂原理”的常用手段。3. 機器學習與深度學習理論考點3.1 傳統(tǒng)機器學習核心概念傳統(tǒng)機器學習的選擇題考察非常細致基本覆蓋監(jiān)督學習、無監(jiān)督學習、模型評估與選擇幾大塊。OPPO作為手機廠商招聘算法崗時對業(yè)務落地能力很看重所以“模型評估”相關的題幾乎必考。過擬合與欠擬合偏差-方差分解。當模型在訓練集上表現(xiàn)很好但驗證集表現(xiàn)差時高方差是原因兩者都差則是高偏差。正則化L1/L2、交叉驗證、早停法、Dropout都是控制過擬合的常見手段。精確率、召回率、F1、AUC正負樣本不平衡時準確率Accuracy會失效此時要看AUC和PR曲線。這里考過一個經(jīng)典判斷題在樣本極度不平衡時AUC仍然能有效評估模型性能而準確率可能虛高。特征工程與降維PCA和LDA的區(qū)別。PCA是無監(jiān)督的找的是方差最大的投影方向LDA是有監(jiān)督的目標是類間距離最大、類內距離最小。我建議備考時把《統(tǒng)計學習方法》前幾章的課后習題刷一遍尤其是感知機、KNN、樸素貝葉斯、決策樹、SVM這些基礎模型。筆試很少直接讓你推公式但經(jīng)常會問“哪些模型對特征尺度敏感”像SVM、KNN、K-means這類基于距離的模型對尺度敏感而決策樹和基于樹模型的方法則不需要特征歸一化。這種題看起來簡單但做錯的人非常多。3.2 深度學習與Transformer重點深度學習部分的選擇題會更貼近當前技術熱點。2024年秋招時AI大模型已經(jīng)是標配話題所以Transformer結構、注意力機制、位置編碼等知識點出現(xiàn)在筆試題里并不意外。幾個高頻考點注意力機制Self-Attention的計算過程Q、K、V三個矩陣的維度關系Softmax(QK^T / sqrt(d_k))V中為什么要除以sqrt(d_k)。原因是當維度較大時點積結果的方差會變大導致Softmax梯度消失除以sqrt(d_k)可以穩(wěn)定梯度。Transformer與RNN/LSTM的區(qū)別并行計算、長距離依賴建模能力、全局感受野。選擇題通常會讓選“Transformer的優(yōu)勢在于能夠并行計算且更好捕捉長距離依賴”。CNN基礎感受野計算、卷積后特征圖尺寸變化、1x1卷積的作用降維和信息融合。手機上做影像算法的同學面試中也經(jīng)常被問到這里。深度學習選擇題的備考資料我比較推薦李宏毅老師的課程講義和《動手學深度學習》中關于注意力機制的部分。不需要把底層推導全部手動跑通但至少要對每個模塊的輸入輸出形狀、數(shù)學表達式有清晰印象。3.3 優(yōu)化算法與損失函數(shù)考點優(yōu)化器和損失函數(shù)在筆試中經(jīng)常以“概念辨析”的形式出現(xiàn)不會讓你手推但會考察你是否理解它們的作用和區(qū)別。高頻內容有梯度下降變體SGD、Momentum、AdaGrad、RMSProp、Adam的對比。Adam結合了動量和自適應學習率的優(yōu)點收斂速度快且對超參數(shù)不那么敏感但在某些情況下泛化能力可能不如SGD。常見損失函數(shù)交叉熵、均方誤差MSE、Hinge Loss、Focal Loss。特別注意分類問題中CrossEntropy和MSE的差異MSE配合Sigmoid容易導致梯度消失原因是Sigmoid導數(shù)在飽和區(qū)接近于0而交叉熵配合Softmax的梯度形式更簡潔穩(wěn)定。KL散度和ELBO的關系。熱度詞里的“kl elbo算法原理詳解”就指向VAE方向。KL散度定義為KL(p||q) Σ p(x) log(p(x)/q(x))它是不對稱的且恒大于等于0。VAE中通過最大化ELBO來近似最大化對數(shù)似然ELBO 對數(shù)似然 - KL散度。筆試?？寂袛囝}是“KL散度是否可以作為距離度量”答案是否定的因為不滿足對稱性和三角不等式。備考思路是把自己熟悉的模型邏輯回歸、神經(jīng)網(wǎng)絡的損失函數(shù)優(yōu)化器組合完整過一遍做到“看到問題就能說出選擇原因”的程度。3.4 經(jīng)典啟發(fā)式算法與常見的“擴展題”除了主流深度學習和機器學習OPPO筆試偶爾也會出現(xiàn)一些經(jīng)典啟發(fā)式算法的選擇題比如粒子群算法PSO、模擬退火算法、遺傳算法。這些內容通常不在學校課程的必修范圍內但會出現(xiàn)在“算法崗綜合能力”的考察中。粒子群算法的核心是“個體更新自己的位置和速度結合個體最優(yōu)與群體最優(yōu)”。選擇題可能會問PSO中參數(shù)w慣性權重增大對搜索行為有什么影響答案是增大全局搜索能力減小則有助于局部搜索。模擬退火算法的關鍵點是“以一定概率接受更差的解”這個概率與溫度T有關溫度高時接受概率大隨著溫度降低逐漸趨于0。這類題如果你是第一次見容易懵但只要記住“啟發(fā)式算法就是為了避免陷入局部最優(yōu)而引入隨機性”這個核心思想大部分判斷題都能選對。順帶提一句有些筆試還會出現(xiàn)“音頻重采樣算法”“Rete算法”這樣的工程算法名稱這反映出廠商對崗位的細分訴求。AI/算法崗并不是只做模型訓練工程側的算法能力同樣被看重。遇到這種非主線考點先快速判斷是否在自己的知識范圍內不要在不會的題上耗太久。4. 編程題實戰(zhàn)從讀懂題意到穩(wěn)定AC4.1 OPPO編程題的風格與難度編程題是我認為整場筆試區(qū)分度最高的部分也是決定能否進面試的關鍵。OPPO的編程題風格不會太偏門大多是LeetCode中高頻題型的變體。第一題通常是字符串或模擬類題第二題基本是貪心或DP第三題則可能比較綜合甚至需要你結合二分貪心、BFS狀態(tài)壓縮這類進階思路。與LeetCode不同的是筆試題的輸入輸出需要使用標準IO且題意描述往往更長需要快速提取關鍵條件。有些題看起來很長實際解法很簡單有些題短小精悍但暗藏不少邊界條件。因此讀題能力比寫題能力更先受到考驗。我的習慣是先讀輸入輸出樣例理解數(shù)據(jù)范圍再回頭讀題面約束條件。數(shù)據(jù)范圍往往直接決定了算法的復雜度上限——如果n≤10^5那O(n2)大概率過不了如果n≤20那就該往狀態(tài)壓縮或搜索方向想。4.2 典型題目解題示例含代碼講一道我在模擬練習中覺得和OPPO筆試風格非常接近的題目“合并區(qū)間”。給定若干區(qū)間合并所有重疊區(qū)間。這題在LeetCode上是中等難度但筆試題會增加一個限定輸入?yún)^(qū)間不一定按左端點有序且區(qū)間數(shù)量可達10^5。解法是排序貪心def merge(intervals): if not intervals: return [] intervals.sort(keylambda x: x[0]) res [intervals[0]] for l, r in intervals[1:]: if l res[-1][1]: res[-1][1] max(res[-1][1], r) else: res.append([l, r]) return res核心思路按左端點排序后如果當前區(qū)間的左端點小于等于結果中最后一個區(qū)間的右端點說明發(fā)生了重疊更新右端點為兩者較大值否則直接加入新區(qū)間。復雜度為O(n log n)主要耗時在排序。這道題在筆試中的變體很多例如“合并會議時間并輸出空閑時間段”“給定若干課程時間判斷能否全部參加”等。備考時建議把LeetCode上的區(qū)間類題目全部刷一遍比如Non-overlapping Intervals、Insert Interval覆蓋所有變體思路。再舉一道易錯題“最長連續(xù)序列”。給定一個未排序的整數(shù)數(shù)組找出最長連續(xù)序列的長度。要求O(n)時間復雜度。解法是利用哈希表去重然后只從連續(xù)序列的起點開始向后遍歷def longestConsecutive(nums): num_set set(nums) longest 0 for num in num_set: if num - 1 not in num_set: cur num length 1 while cur 1 in num_set: cur 1 length 1 longest max(longest, length) return longest這道題考察的是對哈希表靈活運用的能力。如果筆試時看到“連續(xù)”“線性時間復雜度”這種字眼基本可以鎖定哈希表方向。我當時的做題順序是先做有把握的簡單題把分數(shù)拿到手再攻中等題最后留時間讀難題。千萬不要在第三題上死磕到底導致前面該拿的分沒拿到。4.3 復雜度控制與邊界處理編程題最容易翻車的地方其實不是算法本身而是邊界條件。以“數(shù)組區(qū)間合并”為例常見邊界處理包括輸入為空、只有一個區(qū)間、區(qū)間完全覆蓋、區(qū)間完全不相鄰右端點1和左端點相等是否視為重疊要看題目定義。這些場景在測試用例里幾乎必然出現(xiàn)沒有處理好的話即使核心邏輯正確也無法AC。另一個高頻踩坑點是整數(shù)溢出。筆試中如果涉及數(shù)組索引計算、面積計算、累加和等建議直接用Python或者Java的long/int64避免出現(xiàn)C中int溢出導致的錯誤。還有多組輸入的處理如果題目說明“輸入包含多組測試用例”那么代碼最外層需要套一層循環(huán)否則只能過第一個用例。這些細節(jié)看似不起眼但幾乎每年都有大量考生因此丟分。5. 綜合題與業(yè)務場景設計題5.1 概率統(tǒng)計與數(shù)學基礎題型選擇題里大概率會出現(xiàn)概率統(tǒng)計和線性代數(shù)的題目。OPPO作為硬件互聯(lián)網(wǎng)復合型廠商算法崗不僅做搜索推薦還涉及影像、語音、IoT多個方向所以數(shù)學基本功會被重點考察。常見概率題包括條件概率與貝葉斯公式如“某種疾病的檢出率為99%誤檢率為1%人群發(fā)病率0.1%求檢測陽性時真正患病的概率”。期望與方差計算給出一組隨機變量的分布列求期望。常見分布的性質正態(tài)分布、伯努利分布、泊松分布。選擇題常問“泊松分布的期望和方差是多少”答案是兩者相等都等于參數(shù)λ。線性代數(shù)部分多以矩陣運算、特征值特征向量、矩陣秩與可逆性為主。備考時掌握特征值分解和SVD的基本性質即可重點放在“矩陣可逆的充要條件”“實對稱矩陣可正交對角化”這類概念性判斷上。5.2 業(yè)務場景設計題的答題思路有一些選擇題會以一種“場景可選方案”的形式出現(xiàn)題干往往很長。比如在手機相冊場景中要做“相似圖片去重”應該采用哪種特征提取方式這種題沒有唯一答案但能看出你對方案的權衡能力。我的答題原則是優(yōu)先考慮工程上的可行性和計算效率再考慮精度。對于手機端場景計算資源和內存有限通常會優(yōu)先選擇輕量級模型或傳統(tǒng)特征方法而不是直接上一個大模型。因此遇到“移動端部署”相關的選項時帶“輕量化”“量化”“蒸餾”等字眼的方案往往是更優(yōu)解。這類題目更考驗你對業(yè)務約束的理解而不只是看模型效果。5.3 模型評估與調優(yōu)常規(guī)問題模型評估在業(yè)務場景中的考察也很常見尤其是數(shù)據(jù)不平衡、線上A/B測試、模型監(jiān)控與更新等方向。筆試選擇題?？颊摌颖颈壤龂乐厥Ш鈺r以下哪種評估指標最合適AUC或PR曲線線上模型效果變差可能是由什么原因導致的數(shù)據(jù)分布漂移、特征缺失率變化、業(yè)務策略調整等新增特征后模型在離線測試集上AUC提升可以直接上線嗎不能需要經(jīng)過A/B測試驗證還有一類題會考察“學習率設置不當”會導致什么現(xiàn)象學習率過大loss震蕩甚至不收斂學習率過小收斂速度慢訓練時間拉長。這些知識點在面試時被追問的概率也很高筆試階段打牢基礎后面能省不少時間。6. 準備策略與避坑經(jīng)驗6.1 一套靠譜的備考路線回顧整個秋招筆試準備過程我認為最有效的是“三輪復習法”。第一輪是基礎補全時間大概2到3周。把數(shù)據(jù)結構數(shù)組、鏈表、棧、隊列、樹、圖、堆和基礎算法排序、二分、雙指針、遞歸完整過一遍配合LeetCode HOT 100中的簡單題和中等題練習。目標是做到看見題目能迅速判斷考點。第二輪是機器學習與深度學習理論的系統(tǒng)梳理時間大概1到2周。以《百面機器學習》和《統(tǒng)計學習方法》為主要參考把特征工程、模型評估、經(jīng)典模型、優(yōu)化方法、深度學習基礎全部過一遍。這里一定要結合自己做過的項目去理解不要死記硬背公式。第三輪是真題模擬與查漏補缺時間大概1周。在?？途W(wǎng)上刷各大廠的歷年筆試題尤其是OPPO、vivo這些手機廠商的題目感受出題風格。每次模擬都要嚴格按照考試時長來訓練做題節(jié)奏。這個過程不能省因為很多坑只有親身體驗過才會長記性比如讀題慢導致時間不夠、IO解析出錯、忘了處理多組輸入等。6.2 筆試過程中的時間管理與心態(tài)筆試時間有限合理分配是關鍵。我的策略是拿到試卷先快速掃描所有題目大致判斷難易分布然后按照“易–中–難”的順序來做。選擇題如果30秒內沒有思路先標記跳過做完其他題再回來蒙一個不要在一道題上耗太多時間。編程題遵循“先暴力拿分再優(yōu)化”的原則如果難題的正解一時想不出來可以先寫一個能過部分測試用例的暴力版本至少保證有分。心態(tài)方面秋招筆試遇到不會的題太正常了關鍵是不要慌。OPPO的筆試比較看重綜合能力一兩個選擇題答錯并不致命。堅持把所有會做的題做完編程題盡量提交就有機會進入下一輪。6.3 考后復盤與面試銜接筆試結束并不意味著可以放松。我強烈建議當天晚上就對答案、復盤錯題把不會的知識點整理成文檔。一方面可以幫助準備后續(xù)其他公司的筆試另一方面很多筆試考點會無縫銜接到面試中。例如你筆試中遇到的場景設計題面試官很可能換個角度再問一遍“如果讓你設計一個端側圖像分類方案你會怎么做”筆試時你沒有認真思考過這道題面試自然會慌。復盤時可以按照“題目類型–考點–錯誤原因–正確解法”的格式整理成一個表格考前集中看一遍比盲目刷題高效得多。這個過程還有一個額外的好處它能把零散的知識點串成一張知識網(wǎng)絡讓你在寫簡歷項目描述、梳理個人技術棧時更加有邏輯。我自己在復盤時就發(fā)現(xiàn)筆試中關于“數(shù)據(jù)不平衡的處理方式”這個考點反復出現(xiàn)于是我專門整理了一頁筆記包括重采樣、代價敏感學習、Focal Loss、異常檢測思路結果后面的面試真的被問到了。這種“考后歸納”帶來的復利效應遠比多刷幾套題更值得投入時間。7. 寫在最后的一點感受秋招筆試本質上是一場“高密度基礎能力測試”它不會像面試那樣深挖你的項目細節(jié)但會用最短的時間檢驗你的知識儲備是否扎實。OPPO這輪AI/算法崗筆試給我的最大啟發(fā)是算法崗并不只是“會調模型”數(shù)據(jù)結構和編程功底是下限機器學習和深度學習理論決定上限而場景設計題則考察你是否具備工程化思維。如果你正在準備接下來的校招我建議把刷題貫穿整個準備周期每天保持至少2道LeetCode或牛客網(wǎng)題目的輸入同時利用碎片時間過機器學習基礎概念。筆試是進入面試的第一道關卡它不要求你完美但要求你在規(guī)定時間內盡量多拿分。提前把知識網(wǎng)絡織好到考場上才能從容應對。