最近顺利拿到了 NVIDIA 的 New Grad / Intern Offer。NVIDIA 面试流程非常 team-dependent，不同组之间的差异极大，有人 OA + 电面 + VO 走完两个月，有人内推直接跳过 OA 进入 NVIDIA SDE VO 。下面我把整个上岸流程从投简历到 Offer 完整拆解，希望能帮到正在冲 NVIDIA 的同学少走弯路。
1. 投简历阶段
- 渠道：海投（官网）、内推、Career Fair（校园招聘会）都可以。
- 建议：强烈推荐找内推，成功率和流程速度明显优于海投。
- 海投大多需要先做 OA，内推和 Career Fair 很多组可以直接跳过 OA 进入面试。
2. Online Assessment
- 不是所有组都有 OA，部分组（尤其是内推）会直接跳过。
- 有 OA 的组通常用 HackerRank，题量和难度因组而异。
- 提醒：投岗前一定要问清楚 recruiter 这个组是否有 OA，避免盲目准备。
3. Phone Screen / Technical Screen
实习和 New Grad 很多组会有这一轮。
- 时长：差异很大，有的组 60 分钟搞定，有的组接近 90 分钟。
- 结构：前 10 分钟介绍 NVIDIA 和职位 + 10 分钟问项目/简历经验，剩下时间几乎全是 Technical Questions。
- 特点：
- 问题非常随机，有人面 Infrastructure 组却几乎不问 OS，反而狂问 C++ 细节。
- 很多面试官会深度抠简历，把你写过的项目一个一个挖细节。
- 准备建议：简历上的每一条经验都要能讲清楚实现细节和 trade-off，提前准备好 C++ 常见问题（尤其是多线程、内存管理等）。
4. VO（视频面试）
部分组可能跳过电面，直接进入 VO。
- 内容：自我介绍 + 深挖简历 + 技术问题。
- 有的组几乎不写代码，但会让你手写 SPSC / MPMC（Single Producer Single Consumer / Multi Producer Multi Consumer）等并发相关内容。
- 关键：不同组风格差异极大，投岗前最好找在组里的师兄师姐了解一下这个组的面试偏好。
5. Onsite
NVIDIA 的 Onsite 和传统大厂不太一样：
- 有时候电面和 VO 的 technical 已经非常硬核。
- 到了 Onsite 阶段，反而有些组会相对轻松一些（更多行为 + 项目深挖）。
- 整体轮次和难度高度依赖具体组别，建议全程保持高强度准备，不要因为前面轮次顺利就放松。
总体时间线：从一面到收到 Offer，大概耗时 1.5 ~ 2 个月（组别不同会有差异）。
英伟达 SDE VO 第一轮面经分享
BQ
- 说说你在 GPU 或并行计算方面的项目经验。
- 当你需要优化一个 CUDA 内核时，通常会从哪些方面入手？
- 描述一个你在资源受限的嵌入式环境中解决性能瓶颈的经历。
这一轮 BQ 重点考察候选人对 GPU 架构和并行编程的真实理解。我主要结合之前做过的 CUDA 项目，从 Memory Coalescing、Occupancy、Bank Conflict、Shared Memory 等角度回答，面试官听得比较认真。
Coding 部分
第一题：时钟指针夹角计算
给定时间字符串（如 “3:45″），计算时针和分针之间的最小夹角。
思路：分别计算时针和分针从 12 点开始的偏移角度，相减取绝对值后与 360° 取最小值。注意浮点精度和边界情况。
第二题：多线程顺序打印
设计三个线程按顺序循环打印数字（A→1, B→2, C→3, A→4 ……）。
思路：使用 Semaphore（信号量） 实现线程同步。每个线程拥有专属信号量，初始只放行第一个线程，每完成一次打印就释放下一个线程的信号量，同时用互斥锁保护共享计数器。
Follow-up：
- 如果时钟需要支持毫秒级精度，算法如何调整？
- 如果某个线程异常退出，如何保证系统不卡死？
第一轮整体偏基础，但 Follow-up 会往工程 robustness 方向延伸。
英伟达 SDE VO 第二轮面经分享
BQ
- 讲一次你在项目中处理大规模数据或高并发场景的经历。
- 当团队出现技术方案分歧时，你是如何推动达成共识的？
- 描述一次你从系统层面优化整体性能的经历。
System Design（本轮核心）
题目：设计一个支持高吞吐量的 GPU 推理服务系统（High-Throughput GPU Inference Service）
需要从以下维度展开讨论：
- 整体架构设计（Frontend + Queue + Scheduler + Worker Pool）
- GPU 资源调度与动态批处理（Dynamic Batching + Continuous Batching）
- 内存管理（Memory Pool + Tensor Allocator）
- 多机多卡扩展（NCCL 通信）
- 吞吐量与延迟的平衡（p99 latency 控制）
- 容错与监控机制
面试官追问非常细，包括 hot/cold model 加载策略、GPU 内存不足时的降级机制、CUDA Graph 使用等。我准备得比较充分，聊了接近 40 分钟。
Coding / Algorithm
题目：并行计算任务调度优化 给定一批 GPU 任务（包含计算量、显存需求、优先级），设计调度算法使整体完成时间最短（Minimize Makespan）。
思路：先给出 Greedy + Priority Queue 方案，随后讨论当任务存在依赖关系（DAG）时，如何结合 Critical Path 和 List Scheduling 进行优化。
Follow-up：
- 如何在生产环境中监控和调优整个 GPU 集群的利用率？
- 如果未来要支持 FP8 / FP16 / BF16 混合精度推理，系统该如何扩展？
写在最后
以上就是我这次 NVIDIA SDE VO 前两轮的完整面经分享。如果你在准备 NVIDIA SDE 时，感觉 GPU/CUDA 项目经验、系统设计或 VO 环节还有提升空间，可以了解一下 Programhelp 的服务。团队由牛津、普林斯顿、北大以及 Amazon、Google、阿里等大厂背景的学长组成，学长会直接跟你沟通，提供简历包装、面试辅导 、OA 辅助 等帮助。
有需要的同学可以直接联系 Programhelp 详谈，学长会亲自评估并给出建议。
感谢阅读，祝大家早日拿到 NVIDIA Offer！
