企业官网建设流程全解析

又到一年秋招季，身边不少学弟学妹在后台问起联想2025年秋招技术研究（人工智能）类笔试的情况。今年联想的笔试在AI算法岗里算比较有代表性的：题量不小、范围很宽，既考基础功底，又考工程落地思维。我结合自己和几位同学今年秋招的实战复盘，把这套笔试的出题逻辑、备考要点和踩坑记录整理成文，给后面要投联想或者其他大厂AI研究岗的同学做个参考。

先说清楚，这篇文章不是给你背答案用的，而是帮你建立一套应对这类笔试的思考框架。技术研究（人工智能）类岗位的笔试，核心考察的不是你背了多少模型结构，而是你面对一个实际问题时，能不能快速判断用什么方法、为什么用这个方法、怎么把它落地。联想的题虽然有自家特色，但整体思路和主流大厂AI岗笔试是相通的，把这套逻辑吃透，你投其他公司同样适用。

1. 笔试整体考察方向与岗位定位的匹配逻辑

1.1 技术研究岗和纯开发岗的笔试差异

很多人拿到联想的笔试通知，第一反应是去刷LeetCode，这没错，但只对了一半。技术研究（人工智能）类岗位和普通后端开发岗相比，考察的侧重点明显不同。纯开发岗更看重代码能力、数据结构功底、系统设计思维，而AI技术研究岗在编程之外，还会重点考察机器学习理论基础、深度学习模型理解、数学推导能力，以及对前沿论文的阅读理解能力。

联想的笔试题目结构大概分成四个部分：编程题、机器学习/深度学习基础题、数学基础题、综合推理题。编程题占比大概在30%到40%之间，剩下的全是理论题和推理题。这意味着你光刷题不补理论，笔试后半段会非常吃力。我当时有个朋友，LeetCode刷了近五百题，结果挂在机器学习基础题上——一道关于梯度消失原因的多选题，他选了“学习率过大”作为唯一原因，其实正确答案还包括“激活函数饱和”和“网络层数过深”。这就是典型的刷题思维和理论思维脱节。

另外要注意的是，联想的技术研究岗笔试时间通常是90分钟到120分钟，题量大概在50到70道之间。这个体量决定了你每道题平均只有一分多钟，根本没时间在考场上慢慢推导公式。那些概念性的知识点必须形成条件反射，看到题干就能立刻锁定答案。所以备考阶段，光“看过”不行，要做到“能默写”的程度。

1.2 联想笔试的科目构成与时间分配

根据今年2025届秋招的实际情况，联想技术研究（人工智能）类笔试的科目构成大致如下表所示。注意，每年题目可能有微调，但大方向不会有太大变动。

从时间分配就能看出来，编程题虽然是硬骨头，但理论题的总分值其实更高。很多人一上来就死磕编程题，结果后面理论题时间不够，白白丢分。我自己考试时的策略是：先把所有选择题快速过一遍，把会做的稳定拿分；再回来做编程题；最后剩余时间留给综合推理题。这个策略不一定适合所有人，但你要在平时模拟时找到自己的节奏，别上了考场才手忙脚乱。

2. 题型拆解与核心知识点复盘

2.1 机器学习基础：概念辨析是重灾区

机器学习基础部分，联想出题非常喜欢考“概念辨析”类的题目。比如给你四个选项，每个选项是对某个模型或算法的描述，让你选出错误的那一个。这类题目表面考概念，实际考的是你对算法本质的理解程度，而不是表面上的“背定义”。

举个例子，考过一道关于L1和L2正则化的选择题：选项A“L1正则化可以产生稀疏权重”，选项B“L2正则化会让权重趋向于零但不会精确等于零”，选项C“L1正则化等价于对权重施加拉普拉斯先验”，选项D“L2正则化等价于对权重施加拉普拉斯先验”。答案是D，L2对应的是高斯先验。如果你只是记住了“L1稀疏、L2防过拟合”这种口诀，碰到这种题就懵了。所以备考时，对于常用的正则化、损失函数、优化器，不仅要知其然，还要知道它们的数学表达和概率解释。

还有一个高频考点是“偏差-方差分解”。题目往往这样出：一个模型训练集误差很低但测试集误差很高，问你最可能是因为什么。答案当然是方差过大、过拟合。但联想会把它变个花样——比如给出一组学习曲线，让你判断模型处于什么状态，以及最有效的解决手段是什么。这就要你把偏差-方差理论和实际调参经验结合起来，不是纯理论题了。

提示：备考机器学习基础时，强烈建议自己动手推一遍逻辑回归、SVM、朴素贝叶斯的数学推导。不一定要精通所有细节，但至少知道损失函数怎么来的、梯度怎么更新。联想的题考得很活，但万变不离其宗。

2.2 深度学习基础：Transformer和训练技巧是绝对重点

今年的深度学习基础题里，Transformer相关的题目占比非常高，这跟整个行业的技术趋势是一致的。我在笔试中遇到了好几道关于自注意力机制的题目，比如计算复杂度、位置编码的作用、多头注意力的意义等等。这些内容在面试中也是高频考点，笔试阶段就要打好底子。

具体来说，你需要掌握这几个方面：自注意力机制的公式(Q、K、V怎么算，softmax温度系数的作用)，多头注意力为什么有效(不同的头学到了不同的语义子空间)，位置编码为什么需要(Transformer没有时序信息，必须显式注入位置信息)。今年联想甚至考了一道关于RoPE(旋转位置编码)的简答题，让你说明它相比传统绝对位置编码的优势。这就属于前沿一点的题目了，说明他们确实在关注行业最新进展，不只是考老掉牙的基础。

训练技巧方面的考点包括：学习率预热(learning rate warmup)的作用、梯度裁剪解决什么问题、混合精度训练的原理、Batch Normalization和Layer Normalization的区别。这里有个容易混淆的点，很多同学搞不清为什么Transformer用LayerNorm而CNN用BatchNorm。核心原因在于BatchNorm依赖batch维度统计量，而NLP任务中序列长度变化大、batch通常较小，统计量不稳定；LayerNorm是对每个样本的隐含层做归一化，不受batch大小影响，更适合序列模型。这类“为什么用A不用B”的题目，才是拉开差距的关键。

2.3 数学基础与算法思维：概率题永远是主力

数学基础这块，概率论和线性代数各占半壁江山。概率论最爱考的是贝叶斯公式、期望方差的计算、常见分布的性质，以及简单的参数估计。我记得有一道题是这样的：一个袋子里有红球和白球，红球比例未知，你随机抽取10个球，其中7个是红的，用极大似然估计红球比例是多少。这道题本身不难，答案是0.7，但如果你不知道极大似然估计的基本思路，就会卡住。

线性代数的高频考点是矩阵特征值分解、奇异值分解(SVD)、正定矩阵性质。这些知识点表面上看起来和AI关系不大，但实际上PCA、推荐系统、词向量训练都离不开它们。我记得有一道题是问SVD在推荐系统中的应用场景，以及为什么用SVD能处理稀疏矩阵。这就是典型的“用数学解决工程问题”的思路。

算法思维这块，除了笔试中的编程题，选择题里也会穿插一些复杂度分析、数据结构选择的问题。比如给一个场景：需要对海量数据进行实时TopK统计，你选什么数据结构合适。答案是堆(Heap)，时间复杂度O(nlogK)，而不是全排序。这种题目对刷过题的同学来说很简单，但对只背理论不会做题的同学来说就容易丢分。

3. 联想特色：端侧AI与多模态场景化命题

3.1 为什么联想会重点考察端侧AI

如果你想投联想的AI岗，就一定要了解这家公司的业务偏向。联想是做PC、服务器、智能设备起家的，这几年大力布局“端-边-云”协同的AI战略。所谓端侧AI，就是在手机、PC、物联网设备上直接运行AI模型，而不是把数据传到云端再计算。这个方向在联想的笔试中体现得非常明显，几乎每年都会有相关的场景题。

端侧AI的核心约束是“资源有限”：算力有限、内存有限、电池有限。所以在考察相关知识点时，联想会非常关注你知不知道怎么在资源受限的情况下部署模型。比如模型压缩技术——剪枝、量化、知识蒸馏，这些传统AI岗可能只是了解层面的东西，在联想的笔试里会成为考察重点。

具体题目可能这样出：一个图像分类模型要在某款PC设备上实时运行，但推理速度不达标，问你最有效的优化手段是什么。选项里有换更大的模型、减少输入图像分辨率、做8bit量化、增加batch size。正确答案是量化和减少输入分辨率，因为换大模型只会更慢，增加batch size在推理端往往没意义。这类题目考察的是你对“模型部署”这个环节是否有实际概念。

3.2 场景化命题的解题框架：从业务需求反推技术方案

联想的综合推理题特别喜欢给你一个业务场景，让你从技术角度给出方案。这些场景往往和联想的产品线强相关，比如智能会议系统的语音识别、PC端的文档OCR、工厂里的质量检测等等。解答这类题目，有一个非常实用的框架：先明确业务约束，再评估可选技术方案，最后给出可落地的建议。

举一个我今年遇到的真题变体：联想有一款面向教育场景的智能平板，需要在离线状态下完成学生作业的OCR识别和错题分析。离线意味着不能调用云端大模型，必须在设备端完成。问题问你会选择什么技术路线，以及遇到的主要挑战是什么。我当时的答题思路是：OCR部分选择轻量级的端侧OCR模型(如PaddleOCR的移动端版本)，错题分析部分用规则加小模型结合的方式，主要挑战是手写体识别准确率、设备算力限制和离线模型更新机制。这个思路本身没有标准答案，但你要体现出“在约束条件下做技术取舍”的能力，这正是技术研究岗需要的素质。

提示：备考联想这种偏硬件的AI岗，一定要去了解他们最近发布的AI产品和技术路线。比如端侧大模型、AI PC、异构计算这些概念，如果能在笔试的简答题里自然地带出来，会让你的答案更有针对性。

4. 备考时间线与资料清单

4.1 三轮复习法：从打基础到模拟冲刺

因为联想笔试的范围比较广，我不建议你考前一周才临时抱佛脚。比较稳妥的做法是安排三到四周的备考周期，分成三轮来复习。

第一轮(第1周)是打基础，重点是机器学习核心算法和深度学习基础。这个阶段你需要快速过一遍知识点，不需要做题，但要理解每个模型的原理、优缺点和适用场景。推荐用李航的《统计学习方法》前六章加上李沐的《动手学深度学习》相关章节，把逻辑回归、SVM、决策树、CNN、RNN这些核心模型过一遍。这个阶段的目标是建立起完整的知识框架，而不是死记硬背。

第二轮(第2-3周)是刷题和补盲区。这一轮你要开始做往年真题和模拟题，重点练习机器学习/深度学习的选择题，同时保证每天至少两道编程题的手感。做题过程中你会发现自己的知识盲区，比如某个数学公式不熟悉、某种模型原理理解不透彻，这时候再有针对性地回去查资料。我们当时建了一个秋招刷题群，每天互相分享错题，效果比自己闷头刷好很多。

第三轮(考前3-5天)是模拟冲刺。严格按照考试的时间限制做整套模拟题，目的是适应考试节奏和题量。模拟的时候一定要计时，不要一道题卡太久。这个阶段还要重点复习之前做错的题目，把易错点整理成笔记反复看。我自己习惯考前把所有核心公式手写一遍，既加深记忆，也方便考试时快速调动。

4.2 备考资料推荐：哪些值得看，哪些可以跳过

关于备考资料，我踩过一些坑，也积累了一些心得。市面上的资料鱼龙混杂，很多内容花哨但没用。以我的经验来看，把这些资料吃透就够了。

至于那些动辄几百页的“XX大厂真题合集”，我不是特别推荐。因为网上流传的真题往往不完整，而且很多没有标准答案，做错了也不知道为什么错，反而浪费时间。不如把精力放在核心基础知识的深度理解上。笔试题目虽然千变万化，但核心考点是稳定的，基础扎实了，以不变应万变。

5. 踩坑记录：笔试中容易丢分的六个细节

5.1 题型相关：多选题是最容易翻车的地方

联想的机器学习基础题里，多选题占比不低，而且评分标准通常是“少选得部分分，错选不得分”。这个规则很关键，意味着你拿不准的选项千万别选。我看过不少同学，明明知识掌握得不错，但每次多选题都喜欢把不确定的选项也勾上，结果错选被整题扣分，非常可惜。

我记得有一道多选题：以下哪些措施可以缓解过拟合？选项包括增加训练数据、降低模型复杂度、增加模型层数、使用Dropout、增大正则化系数。正确答案是增加训练数据、降低模型复杂度、使用Dropout、增大正则化系数。但有个同学选了“增加模型层数”，因为他觉得模型更大了能拟合更多特征，完全弄反了。这种题就是考察你对过拟合本质的理解，而不是让你靠猜。我建议你在做多选题时，先把确定的选项选上，不确定的宁可不选，保住基础分。

另一个容易丢分的地方是简答题。联想的简答题不一定每场都有，但一旦有，分值往往不低。简答题的答题策略是“结构清晰、要点突出”。不需要写长篇大论，但要把关键点分条列清楚。比如问“如何解决Transformer推理速度慢的问题”，你可以从模型层面(剪枝、蒸馏、量化)和工程层面(算子融合、并行推理)两个维度来答。用分点作答，阅卷人一眼就能看到你的思路框架。

5.2 代码细节：边界条件和复杂度是隐性扣分点

编程题虽然是标准算法题，但联想的编程题有一些“隐藏要求”要注意。首先是输入输出格式，有些题目要求从标准输入读取，有些则是补全函数。如果是补全函数，注意看清楚函数的参数类型和返回值类型，不要写错签名。其次是时间和空间复杂度的限制，有的题目会明确给出数据规模，这其实是在暗示你应该用什么复杂度的算法。

我今年遇到的一道题是这样：给定一个无序数组，要求找出最长的连续序列长度，时间复杂度要求O(n)。看到这个要求，就应该立刻想到用哈希集合，而不是排序之后遍历。如果你用了排序，即使功能正确，也会因为不满足时间要求而只拿部分分数。这类题目非常常见，LeetCode的“最长连续序列”(128题)就是原题。所以刷题的时候，不要只看自己能不能AC，还要想清楚最优解是什么，为什么这个复杂度是必须的。

还有个细节：很多编程题支持多种语言作答，但不同语言在输入输出上差异很大。习惯用C++刷题的同学，考试时如果选了Python，要注意输入读取的方式不同，别在环境切换上浪费时间。我自己是考前就确定好主用语言，每一道编程题都用Python写，这样在考场上不需要思考，直接开写。

5.3 常见问题速查表：考前30分钟过一遍

最后整理一份考前提纲式的检查清单，来自我多次笔试的经验教训，你可以保存下来，考前30分钟过一遍。

另外再提醒一点：考试前务必检查自己的网络环境和设备。联想的笔试通常是在第三方在线笔试平台进行，如果中途断网，系统可能不会自动保存已提交的答案。我有一次就是答完编程题，提交时网络卡了几秒，差点丢题。所以建议提前十分钟进系统，把环境调试好，考试过程中尽量别切换网络。

按照我个人的备考体验，联想技术研究（人工智能）类笔试的难度在秋招大厂里不算最顶尖，但覆盖面非常广，想在短时间内全部掌握几乎不可能。你需要做的是抓住主要矛盾：机器学习/深度学习基础是确定性的送分题，编程题是拉开差距的硬骨头，场景题是展现你AI工程思维的关键。把这三块把握好，笔试通过应该问题不大。

最后再分享一个容易被忽略的点：考完试回头看，那些平时喜欢看技术博客、自己动手复现论文的同学，在笔试里普遍表现得更好。因为笔试考察的本质不是记忆，而是理解。你只有在平时多问自己“为什么”，才能在考场上快速给出正确答案。