NVIDIA 實習 VO 真實面經：從 Recruiter 到 Hiring Manager 五輪拆解

NVIDIA 的實習招聘從來不「輕」——即便是 SWE Intern，也常被拉去做 CUDA 入門題、C++ 記憶體模型題、甚至 DL 框架數值題。社群裡有一種誤解：「實習面 = 簡化版 full-time 面」，這在 NVIDIA 不成立。NVIDIA 把實習當作直轉 full-time 的預篩選，Hiring Bar 幾乎和正職一致。

這篇文章把一位通過 NVIDIA SWE Intern Final 的同學的 5 輪 VO 真題完整還原，從 Recruiter 到 Hiring Manager 逐輪給出真題、解法骨架與考察重點。讀完你會知道每一輪該花多少時間在演算法 / 專案 / 行為題，以及哪些題目是「看似演算法實則系統」的偽裝題。

五輪總覽：時間軸 + 題型 + 通過率

輪次	時長	題型	通過率
Round 0：Recruiter Screen	30 min	行為 + 專案 + Why NVIDIA	70%
Round 1：Tech Phone	60 min	CUDA 入門 + C++ 中等	50%
Round 2：Onsite 1	60 min	C++ 記憶體模型	60%
Round 3：Onsite 2	60 min	DL / 數值題	60%
Round 4：Onsite 3	60 min	系統題 + 履歷深挖	65%
Round 5：Hiring Manager	45 min	行為 + 團隊匹配	80%

累積通過率：70% × 50% × 60% × 60% × 65% × 80% ≈ 6.5%。1/15 的轉化率。

Round 0：Recruiter Screen 真實問答

問題 1（5 分鐘）："Walk me through your resume."

回答骨架：用倒序時間軸，3 個專案，每個 1 分鐘：

1. 最近的研究專案：CUDA 優化或 DL 系統經驗
2. 一個開源貢獻：PyTorch / TensorFlow / cuBLAS
3. 一個 hackathon / 課程專案：體現工程交付能力

問題 2（10 分鐘）："Tell me about a project you're most proud of."

關鍵考察點：你能否用 Why / What / How / Result 四步把專案講清楚。

• Why：為什麼這個問題值得做
• What：具體範圍
• How：技術選型 + tradeoff
• Result：可量化指標（kernel 加速 5x / pass rate 提升 30%）

問題 3（5 分鐘）："Why NVIDIA?"

避免空話。具體引用：

• 你用過的 NVIDIA 產品：CUDA / cuDNN / TensorRT / Omniverse
• 你想加入的具體團隊：DL Frameworks / Driver / Compiler
• 一個具體的 NVIDIA 論文或部落格

Round 1：Tech Phone 真題

真題：實作 GPU-friendly 的 prefix sum (scan)

給一個 float 陣列，實作平行前綴和（exclusive scan）。先寫 CPU 版，再口頭描述 GPU 版。

CPU 版：

def exclusive_scan(arr):
    out = [0] * len(arr)
    s = 0
    for i, x in enumerate(arr):
        out[i] = s
        s += x
    return out

GPU 版口頭思路（關鍵考點）：

1. upsweep：樹形向上 reduce，O(log N) 步
2. downsweep：把 root 設為 0，向下傳播
3. bank conflict 優化：shared memory 加 padding 避免衝突

陷阱：面試官會追問「如果陣列超過 1 個 block 怎麼辦」——答案是分級 scan：先 block 內 scan，每個 block 總和再做一次全域 scan，最後回寫。

Round 2：C++ 記憶體模型真題

真題：實作一個 atomic shared_ptr

不能用 std::shared_ptr<T> 自帶的 std::atomic_* 函式，要求自己實作一個支援多執行緒讀寫的 AtomicSharedPtr。

核心考點：

• 引用計數的記憶體序
• ABA 問題（多執行緒同時 swap）
• 銷毀時機

簡化版骨架：

template <typename T>
class AtomicSharedPtr {
public:
    void store(std::shared_ptr<T> p) {
        std::atomic_store(&ptr_, p);
    }
    std::shared_ptr<T> load() const {
        return std::atomic_load(&ptr_);
    }
private:
    std::shared_ptr<T> ptr_;
};

追問：面試官會要求你用 std::atomic<std::shared_ptr<T>>（C++20）替換上面的實作，並討論與裸指標 + ref count 手寫版的效能差異。

Round 3：DL / 數值題真題

真題：實作一個 stable softmax + 反向傳播

import math

def softmax_forward(xs):
    m = max(xs)
    exps = [math.exp(x - m) for x in xs]
    s = sum(exps)
    return [e / s for e in exps]

def softmax_backward(probs, dy):
    n = len(probs)
    dx = [0.0] * n
    for i in range(n):
        for j in range(n):
            if i == j:
                dx[i] += dy[j] * probs[i] * (1 - probs[i])
            else:
                dx[i] += dy[j] * (-probs[i] * probs[j])
    return dx

面試官追問：

1. 反向能否 O(n)？答案：合併 cross-entropy 後是 O(n)
2. fp16 下怎麼避免 underflow？答案：用 fp32 累加，再 cast 回去
3. batch 維度怎麼平行？答案：每個 sample 獨立計算

Round 4：系統題 + 履歷深挖

真題：設計一個 GPU 記憶體池

要求：

• 支援 alloc / free，配置粒度按 256 bytes
• 多執行緒安全
• 碎片率低

回答骨架（P-S-T-F 模型：Pool / Strategy / Threading / Fragmentation）：

1. Pool：每個 size class 一個 free list，size class 按 2 的冪或 slab
2. Strategy：alloc 走 first-fit 或 best-fit；free 時 coalesce
3. Threading：每個 thread 一個 thread-local cache（類似 tcmalloc），全域池作為 fallback
4. Fragmentation：定期做 defrag，或用 buddy system 自然合併

履歷深挖：面試官會隨機抽你履歷上一個專案，問「如果讓你重做一遍，會改什麼」——這是觀察你的 self-reflection 能力。

Round 5：Hiring Manager

行為題套餐

5-6 個行為問題，每個 5 分鐘：

1. "Tell me about a time you disagreed with your manager."
2. "Tell me about a time you failed."
3. "How do you prioritize when everything is urgent?"
4. "Walk me through a debugging story you're proud of."
5. "What kind of team / mentor are you looking for?"

STAR 模板：Situation / Task / Action / Result，每個故事 4 句話內說完。

反向問題

至少準備 3 個：

• "What does success look like for an intern in the first 3 months on your team?"
• "How does the team balance research vs production work?"
• "What's the team's biggest technical challenge right now?"

FAQ

Q1：實習 VO 真的和 full-time 一樣難嗎？ 演算法題難度 略低（更多 medium，少 hard），但廣度 一致——CUDA / C++ / 系統題都會問。

Q2：沒有 CUDA 經驗能過 Tech Phone 嗎？ 能，但需要在 phone 之前至少寫過 reduce / scan / matmul 三個 kernel 並理解。否則會被秒掛。

Q3：Onsite 是遠端還是 onsite？ 絕大多數 Intern Onsite 是遠端（Zoom + CoderPad）。如果是 PhD 實習，可能要求到 Santa Clara onsite。

Q4：Hiring Manager 這一輪真的有 80% 通過率嗎？ 前提是前 4 輪都拿到 lean hire 以上。HM 主要看 team match，技術問題已經在前面驗證過了。

Q5：從面試到收到 offer 多久？ 平均 4-6 週。最快 2 週 是因為 HM 急招，最慢 8-10 週 是因為 visa / budget 審批。

---

正在準備 NVIDIA 實習 VO？

如果你想做 CUDA 入門題逐題 walkthrough、Hiring Manager 反向問題打磨，或希望面試日有真人 VO代面 / VO輔助 全程陪跑，可以聊聊看完整的 OA代面 / VO輔助 方案。

---

聯絡方式

需要面試真題與客製備戰計畫？立刻聯絡微信 Coding0201，獲取真題。

Email: [email protected] Telegram: @OAVOProxy