# 1. GPU Time-Slicing 在 K8s（NVIDIA GPU Operator）的工程价值 A Time-Slicing 提供硬隔离 B 时间片共享 GPU 提升利用率，但无显存与性能隔离 ✓ 正确答案 C Time-Slicing 无法提升利用率 D Time-Slicing 与 MIG 效果相同
# 2. K8s 中 GPU 的 Device Plugin 机制与显存分配（整卡/分片/MIG）如何实现？ A Device Plugin 不涉及资源上报 B Device Plugin 上报 GPU 资源，整卡/分片/MIG 分别靠独占、虚拟化与硬件切分 ✓ 正确答案 C MIG 是软件切分 D 分片提供硬隔离
# 3. MIG（Multi-Instance GPU）在 A100/H100 的工程价值 A MIG 是软件共享 B MIG 无隔离性 C MIG 提供硬件级隔离与灵活切分，让多任务共享大卡且互不干扰 ✓ 正确答案 D MIG 只适用于小模型
# 4. MPS（Multi-Process Service）在多进程共享 GPU 的工程价值 A MPS 让多 CUDA 进程共享 GPU 提升利用率，但隔离性弱 ✓ 正确答案 B MPS 提供硬隔离 C MPS 无法提升利用率 D MPS 与 MIG 等价
# 5. Run:ai、Kubernetes GPU Operator 的对比 A 两者功能相同 B Run:ai 是底层驱动 C GPU Operator 已含高级调度 D GPU Operator 提供基础 GPU 使能，Run:ai 提供高级调度与多租户治理 ✓ 正确答案
# 6. vGPU、GPU Sharing 在 K8s 的工程价值 A GPU Sharing 提供硬隔离 B vGPU 只能整卡使用 C 把 GPU 容量按需切分给多任务，提升利用率、降低小任务门槛 ✓ 正确答案 D GPU Sharing 无法提升利用率
# 7. 多 GPU 通信库（NCCL、GLOO、RCCL）在 NVLink、Infinity Fabric 与 RoCE 网络上的差异与选型 A 所有库性能相同 B GLOO 性能最优 C RCCL 用于 NVIDIA D NCCL 适配 NVIDIA 与 NVLink/IB/RoCE，RCCL 适配 AMD，GLOO 通用但性能弱 ✓ 正确答案
# 8. AI 集群的 RDMA（RoCE v2、InfiniBand）网络调优 A RoCE 需配置 PFC/ECN/DCQCN，IB 天然无损，调优重 MTU 与 NUMA 亲和 ✓ 正确答案 B RoCE 无需拥塞控制 C IB 配置最复杂 D 网络与训练性能无关
# 9. CUDA 延迟优化技术中 CUDA Graph、stream 优先级与 cudaMallocAsync 在推理服务中的收益与代价 A CUDA Graph 对推理无收益 B stream 优先级无意义 C CUDA Graph 减少启动开销、stream 优先级保关键计算、cudaMallocAsync 提分配效率 ✓ 正确答案 D cudaMallocAsync 增加同步开销
# 10. GPU 存储层次的延迟梯度中寄存器、共享内存、L1/L2 缓存与 HBM 显存的带宽与延迟差异及其对推理算子优化的意义 A HBM 带宽不是瓶颈 B 存储层次仅影响延迟不影响吞吐 C 用共享内存/寄存器做数据复用，减少 HBM 访问，HBM 带宽是主要瓶颈 ✓ 正确答案 D 无需考虑数据局部性
# 11. GPU 故障的检测、隔离与自动重启机制如何设计？ A 故障 GPU 无需隔离 B DCGM 检测故障→标记不可调度隔离→自动重启重调度 ✓ 正确答案 C 不用区分可纠正与不可纠正错误 D 检测只能人工
# 12. GPU 硬件加速单元的使用中 Tensor Core、RT Core 与稀疏计算单元在推理/训练中的卸载策略 A Tensor Core 与 AI 无关 B Tensor Core 加速矩阵乘是 AI 核心，稀疏单元加速稀疏模型，RT Core 用于图形 ✓ 正确答案 C RT Core 用于 AI 推理 D 稀疏化无收益
# 13. GPU 编程生态对比中 CUDA、ROCm、SYCL 与 OpenCL 在抽象层次、生态成熟度与迁移成本上的差异 A 所有生态性能相同 B CUDA 可移植到所有 GPU C OpenCL 生态最成熟 D CUDA 性能生态最优但绑定 NVIDIA，SYCL/OpenCL 可移植但性能弱 ✓ 正确答案
# 14. GPU 资源分割方案对比中 MIG、MPS 与 Time-Slicing 在隔离性、性能与调度上的差异 A MIG 隔离最强、MPS 软件共享、Time-Slicing 时间片，隔离性 MIG>MPS>Time-Slicing ✓ 正确答案 B MIG 无性能保证 C Time-Slicing 隔离最强 D 三方案隔离性相同
# 15. Ray、Kubeflow 在分布式 AI 训练的工程价值 A 两者功能完全相同 B Ray 是灵活分布式计算框架，Kubeflow 是 K8s 原生 ML 平台与工作流编排 ✓ 正确答案 C Kubeflow 不做工作流 D Ray 只做推理
# 16. 大模型推理的 GPU 利用率如何度量与优化（batch、KV Cache、并发）？ A batch 越大越好，无显存约束 B 增大 batch 与并发填满 GPU，用 KV cache 优化放大可承载并发 ✓ 正确答案 C 利用率与 KV cache 无关 D 并发必然降低性能
# 17. DeepSpeed、Megatron、FSDP 在分布式训练的工程价值 A 三者功能完全相同 B Megatron 只做优化器分片 C FSDP 原生易用、DeepSpeed 提供 ZeRO 优化、Megatron 做张量/流水线并行 ✓ 正确答案 D FSDP 无法分布式训练
# 18. 异构 GPU（A100/H100/国产）混部调度与任务优先级如何设计？ A 所有 GPU 性能相同 B 异构无需区分 C 优先级无意义 D 用标签区分 GPU 类型按需匹配，优先级队列与配额保障关键任务 ✓ 正确答案
