快手大模型应用算法社招一面：Diffusion 与二分基础
本场面试题
- Diffusion 模型的加噪训练与去噪采样有什么区别？
- 简单二分题应先说明哪些边界？
面经与参考答法
快手大模型应用算法社招一面：Diffusion 与二分基础
原帖自述为快手大模型应用算法社招一面，发表于 2026 年 7 月。记录较简短，只明确提到 Diffusion、推理效率和一道简单二分；项目追问、模型与算法题面未完整披露。本页只讲可确认的知识范围。
面试经历为个人自述，未经企业独立确认。以下短答及示例为编辑教学整理，不代表当事人的现场回答、项目配置或实验结果。
（1）Diffusion 模型的加噪训练与去噪采样有什么区别？
以 DDPM 为入门例子：训练时从真实样本构造不同噪声强度的输入，学习在给定时间步下预测噪声等目标；采样时从噪声出发，由模型预测与调度器更新反复得到较低噪声样本。训练不是每条样本都完整跑一遍生成链；像素扩散与潜空间扩散也要区分，后者另有编码和解码。原帖只提出 Diffusion 概念题，未给具体模型或配置。
（2）简单二分题应先说明哪些边界？
原帖没有题面，不能还原为某一道具体题。通用做法是先确定有序性或单调判定，定义闭区间或半开区间的不变量，再确保每轮严格缩小区间并覆盖空输入、重复值和边界。教学上的查找目标、求第一个满足条件的位置与二分答案需要不同返回约定，不能混用模板。
（3）介绍项目及相关基础知识（项目与具体追问待补）
关联知识点待核实。
原文没有给出项目主题、系统结构或具体八股题。这里保留问题范围，不推测数据库、框架或训练方法，也不为这组内容增加知识热度。
（4）推理效率怎样考虑（模型与场景待补）
关联知识点待核实。
原帖未说明讨论的是哪类模型、什么负载及何种指标。需要补齐任务、模型版本、质量约束，以及延迟、吞吐或显存目标，才能判断适用方案；不能把 KV Cache、量化或批处理写成当时被追问的具体题。