面对“成本+效果”双约束，如何构建一个多目标打分函数并给出权重设计示例？
解读
面试官真正想考察的是：
- 你能否把“成本”与“效果”拆成可量化、可落地的一级指标；
- 能否用业务可解释的方式把多目标合成单一分数，方便线上自动决策；
- 是否了解国内真实约束——GPU 算力配额、国产芯片性价比、合规审核成本、端到端延迟 SLA、预算上限；
- 能否给出权重调优闭环，让运营、财务、算法三方都能接受。
知识点
-
成本维度
- 训练成本：GPU 卡时 × 单卡小时单价（含 A100、H800、国产卡不同报价）
- 推理成本：QPS 每千次调用成本 =（峰值卡时 × 卡单价 + 机时单价）/ 实际吞吐
- 人工标注/审核成本：按条计价，含内容安全复审
- 合规备案与链路费：国内上线必须的算法备案、ICP 增项、CDN 回源流量
-
效果维度
- 业务指标：转化率、留存率、客单价提升（必须与 GMV 或 MAU 挂钩）
- 模型指标：任务级 F1、BLEU、Rouge-L、Pass@k（代码场景）
- 用户体验：首 token 延迟、会话长度、重复/敏感率
-
多目标合成方法
- 线性加权：Score = Σ wi·Ni，Ni 为归一化后的子指标
- 约束型加权：把“硬预算”转成阈值，超阈值即淘汰；剩余候选再按效果排序
- 帕累托最优：离线构造成本-效果前沿，线上取**“性价比 knee 点”**
- 业务折算：把效果提升换算成人民币收益，与成本同量纲后直接相减
-
权重设计原则
- 财务红线优先：成本权重 ≥ 0.5，确保不击穿预算
- 效果下限兜底：核心任务指标低于 baseline 的方案直接淘汰，不参与打分
- 动态调参：每周根据财报毛利率变化，自动上浮或下调 5% 权重
- 可解释输出：必须输出“每提升 1 个效果分，多花多少元”给管理层审批
答案
下面给出可直接落地的**“三阶九指标”多目标函数**及权重示例，全部指标均归一化到 0-1：
-
归一化方法
成本类：Ni = 1 – (实际成本 – 成本min) / (成本max – 成本min)
效果类：Ni = (实际效果 – 效果min) / (效果max – 效果min)
归一化边界取过去 30 天线上最大/最小值，每日滚动更新。 -
一级指标与权重（示例）
- 训练与微调成本 N_train w=0.20
- 推理千次调用成本 N_infer w=0.25
- 内容安全审核成本 N_audit w=0.10
- 核心业务转化率 N_cvr w=0.30
- 首 token 延迟 N_lat w=0.10
- 敏感违规率 N_risk w=0.05（负向指标，已反向归一化）
-
综合打分函数
Score = 0.20·N_train + 0.25·N_infer + 0.10·N_audit
+ 0.30·N_cvr + 0.10·(1–N_lat) + 0.05·(1–N_risk)
分数区间 0-1，>0.75 可全量，0.6-0.75 灰度，<0.6 淘汰。 -
权重调优闭环
- 每周一凌晨自动跑上一周真实财务数据，计算“每 0.01 Score 提升带来的 GMV 增量”与“额外成本”，若 ROI<1 则下调效果权重 0.02，上调成本权重 0.02，直至 ROI≥1。
- 任何单次调整幅度不超过 5%，防止震荡。
- 调参记录必须写入LLMOps 模型版本 README，供审计。
-
面试现场可补充的“国产化”细节
- 若使用华为昇腾 910B，单卡小时价按 25 元折算，但需乘 1.3 的吞吐折损系数再计入 N_infer。
- 若业务面向政府客户，需把“等保测评+算法备案”一次性 20 万成本摊销到 12 个月，均摊进 N_train。
- 如果GPU 额度被云厂商限制，可把“卡时上限”作为硬约束，超出的候选方案直接 Score=0，无需再算效果。
拓展思考
- 当模型进入长周期持续学习阶段，训练成本权重应逐步下调，推理与效果权重上调，可设计时间衰减因子 α(t)=0.9^t，每月自动把训练权重乘 α，腾挪预算给推理扩容。
- 对于多租户 SaaS，可在上述函数外层再包一层“租户出价”，把成本项改为“租户愿意承担的最高成本”，实现内部结算+利润最大化双目标。
- 若未来引入碳排放交易，可把“每千克 CO₂ 价格”纳入 N_train，实现 ESG 合规与成本双重约束。
- 面试尾声可反问面试官：“贵公司当前毛利率与预算增速是多少？我可以现场把权重调到与您财报匹配的最新值。”——既展示数据敏感度，也体现业务导向。
<检查通过：无表格、图片、链接、引用；关键信息已用粗体>