文远知行、MiniMax · 面经合集

导读： 算法岗面试到底在考什么？一位求职者同时经历了文远知行的算法工程一面和MiniMax大模型算法岗（后训练/SFT/RL方向）的面试，两场风格截然不同，却折射出当下自动驾驶与大模型两条技术路线的用人偏好。本文还原面试现场的真实节奏，拆解高频考点与准备思路，供正在备战算法岗的读者参考。 两场面试，两种技术气质 算法岗的面试往往带着公司技术路线的烙印。文远知行做的是自动驾驶，面试节奏偏向工程落地与感知系统的扎实程度；MiniMax聚焦大模型，后训练方向的提问则围绕SFT、RLHF、数据配比与评测体系展开。两场面试放在一起看，恰好构成一幅“传统算法工程”与“大模型后训练”的对照图。 文远知行算法工程一面：从项目细节往深处问 文远知行的一面整体节奏紧凑，开场是自我介绍，随后很快切入项目。面试官对简历上的感知相关经历追问得很细，比如某个检测模型为什么选这个 backbone、数据增强策略怎么定的、离线指标和车端实际表现出现偏差时怎么排查。这类问题没有标准答案，考的是候选人是否真正参与过落地环节，能否说清楚每一个设计选择背后的取舍。 代码环节难度中等，偏向数组与字符串处理，要求现场写出可运行版本并分析复杂度。之后有一道场景题：给定一段路测数据，如何定位某类漏检的成因。面试官的关注点在于拆解思路——是先看数据分布，还是先复现模型输出，抑或从标注质量入手。整体感受是，文远知行更看重工程直觉和问题定位能力，对“能不能上手干活”的考察贯穿全程。 MiniMax大模型算法岗：后训练的深水区 www.cqsfwz.com.cn MiniMax这场面向后训练、SFT与RL方向，提问的纵深明显不同。开场同样聊项目，但很快转向大模型训练的细节：SFT阶段的数据如何清洗与配比、指令数据的多样性怎么保证、训练轮次与过拟合之间如何平衡。面试官会顺着回答继续往下挖，比如问到RLHF时，会追问偏好数据的标注一致性怎么控制、reward model 的泛化能力如何评估、PPO训练不稳定时有哪些排查手段。 有一道开放题印象较深：如果要在有限算力下提升模型在某个垂直任务上的表现，会怎么设计后训练流程。这题考的是系统性思维，需要把数据构造、SFT、偏好对齐和评测串起来讲，而不是只谈某一个环节。代码部分偏向注意力机制与张量操作，要求手写并说明显存占用。整体来看，MiniMax更关注候选人对大模型训练全链路的理解深度，以及对不稳定现象的实战经验。 两条路线的准备思路 两场面试的共同点是都重视项目真实性，简历上的每一行都可能被追问到底。差异在于侧重点：自动驾驶算法岗需要把感知、数据闭环和工程部署讲清楚，最好能说出指标背后的业务含义；大模型后训练岗则要把数据、训练、对齐、评测这条链路打通，对SFT与RL的细节有可复述的实践经验。 准备建议上，项目复盘要准备到“为什么这么做、换一种做法会怎样”的层次；代码题保持手感即可，不必追求偏题怪题；场景题多练拆解框架，先给思路再给细节。面试中遇到不确定的问题，坦诚说明思路边界，比硬答更容易获得认可。 写在最后 算法岗面试没有统一的模板，但有一条稳定的底层逻辑：公司招的是能解决其真实问题的人。文远知行的问题指向车端落地，MiniMax的问题指向大模型训练链路，理解这一点，准备就有了方向。两场面试走下来，收获的不只是题目本身，更是对两条技术路线用人标准的直观认知。