公司未注明

算法岗位面经

完整信息

18 条问法 · 18 道题

本篇目录

#秋招,不懂就问##秋招##牛客AI配图神器#
八月到十月,陆陆续续面了三十多场,秋招算法的面试比暑期难很多,也远比我想象得复杂。
成功的经验固然珍贵,但是失败的经验,才让我真正开始复盘。一面挂、二面挂、走到三面却没等来结果——这些当时不愿意多想的瞬间,后来反而成了我最认真整理的部分。

一、面试官的风格,真的能差很多
第一类:喜欢把技术原理问到很底层的面试官。
有一场面试,面试官问我 KL 散度的 K1、K2、K3,接着又追问为什么选择 GSPO,以及 MoE 训练中路由变化、负载均衡会带来什么问题。
另一场面试,面试官针对我设计的多个奖励函数连续追问:

  • 为什么可以直接把不同维度的 reward 加在一起?
  • 不同 reward 之间发生冲突怎么办?
  • 如果多个奖励分数接近,如何判断究竟是哪一个维度在发挥作用?
  • 有没有考虑过奖励解耦?

这些问题难在必须解释清楚:一个训练方法为什么成立,它解决了什么问题,又会引入什么新问题。面试官真正想知道的,是有没有认真思考过训练信号的有效性、稳定性和局限性。

第二类:特别关注业务价值的面试官。

在面一些搜推岗位时候,有的面试官会问具体怎么构造训练数据,怎么定义正确性和检索有效性,SFT 和偏好优化各自贡献了多少。
但也有面试官直接问:
如果我们最终追求的是 GMV,而不仅仅是检索有效率,你会怎么重新设计整个项目?
这个问题给我的触动很大。因为在做项目时,我们很容易把注意力集中在自己负责的模块上。但从业务视角看,用户真正关心的是能不能找到想买的商品,而公司最终关心的是搜索体验和成交。复盘项目时,会往后多想几步:
我的模块指标和最终业务目标之间,究竟隔着多少个环节?
哪些是我能够直接优化的,哪些只是间接影响?有没有可能局部指标提升,但整体效果没有改善?
这些问题,比单纯记住一个漂亮的实验结果重要得多。

第三类:能够跳出项目本身,看系统架构的面试官。
这是最近一场面试给我留下很深印象的地方。
我介绍了自己如何通过 SFT 和强化学习,让大模型输出更符合搜索引擎偏好的query。
面试官听完后,却从另一个角度质疑了整个方案:
为什么需要上游的 Query Rewrite 去适配搜索引擎?如果搜索系统本身的语义理解能力足够好,是不是就不需要做这么多适配?
我一直在思考的是,在现有搜索链路不方便改动的前提下,怎样把自己的模块做到最好。而他思考的是,如果没有这些组织分工和历史系统约束,真正应该在哪个层级解决问题。
我解释了实际业务里搜索链路的稳定性、时延要求,以及为什么一个新业务往往很难推动整个检索系统进行大规模改造。
他也解释了,为什么从长期演进的角度,系统级的语义对齐可能比不断增加上游适配模块更加合理。
项目本身就是有局限的,好的技术讨论不一定是对方不断夸你,而是他能够指出你之前没有看到的问题,同时又不否定你的工作和思考。
我后来想,如果未来有机会加入这样的团队,应该会有很多东西可以学。可惜在秋招里面,碰到这种面试官的概率非常小…

第四类:让我意识到面试也是一种双向选择的面试官。
不是每一场面试都令人愉快。某大厂的面试官们尤其是代表,有的二话不解释就不开摄像头的,有的面试官会先入为主认为你的项目很toy,找一些想不到的地方切入,听到回答又会冷笑。整场面试的氛围很糟糕。
面试官的沟通方式也会影响候选人的发挥。
有些人习惯快速施压,有些人喜欢让你独立思考,有些人会在你卡住时提供一点引导。面试官风格没有必要被简单地分成好坏,不过它确实会影响一场面试呈现出来的结果。

而面试,本来也不应该是单方面被审判的过程…

二、几十场面试下来,我发现高频问题其实很相似
虽然每家公司的业务不同,但项目深挖反复出现的,基本是下面几个问题:

  1. 为什么要做这个项目?
    不是让你复述背景,而是问现有方案到底有什么问题。
    如果不用大模型,有没有传统方法?如果不用强化学习,只做 SFT 行不行?

  2. 为什么选择这个技术方案?

  3. 训练数据和监督信号从哪里来?

  4. 如何证明收益真的来自你的方案?
    这是我被追问最多,也最值得认真准备的一类问题。
    如果你说综合有效性提高了十几个百分点,面试官可能马上追问:
    那 SFT 贡献多少?偏好优化贡献多少?数据筛选贡献多少?
    如果换成另一种训练方法呢?有没有同数据、同预算的对照实验?
    比结果更能体现技术深度的,是你能否解释这个结果为什么出现,以及有什么证据支持你的解释。

  5. 如果给你更多资源,重新做一次,你会怎么设计?
    这类题看似开放,其实特别考验对项目的理解。因为只有真正清楚一个方案的局限,才能说出下一步最值得改进的地方。

三、不同算法岗位的准备重点也确实不一样
我面过大模型应用、NLP、搜索推荐,也接触过偏基础模型的岗位。
一个很明显的感受是:相同的项目,在不同岗位的面试官眼里,重点可能完全不同。
偏大模型应用的面试官,会更关注数据构造、SFT、偏好对齐、Agent、评测和上线链路。
偏基础模型或训练算法的面试官,可能会沿着训练目标、KL、重要性采样、MoE、训练稳定性一直追问到底。
偏搜索推荐的面试官,则更关心召回、排序、相关性、CTR、CVR、GMV,以及模型在实际系统中的延迟和成本。
四、怎么准备面试

一般都是根据公司和岗位去搜近期面经。
比如在牛客搜索「公司名 + 算法岗 + 面经」,或者进一步细化到大模型、NLP、搜索推荐等方向,先看看相近岗位的面试重点。
有的岗位特别关注强化学习原理,有的会把项目指标追问得很细,有的手撕算法占ji比比较高。提前看到这些信息,至少能帮助自己决定有限的复习时间应该放在哪里。
当然,面经不是题库,更不是押题答案。
同一个岗位,不同面试官可能完全不按相同套路提问。我更建议把面经当成一种了解面试风格和知识边界的工具。
我会把看到的高频问题整理出来,再对照自己的项目,连续问自己:
为什么这样做?有没有更简单的替代方案?这个实验能说明什么?如果面试官不认同,我有没有证据支撑自己的判断?
然后尽量用口头表达出来,而不是只在脑子里觉得自己会了。

另外,手撕算法真的不要拖到最后🌚

五、最后,想聊一点秋招之外的事情
今年秋招最让我疲惫的,可能不是面试本身。
而是等待。
面完一场又一场,认真复盘了所有回答不好的问题,第二天依然可能收到拒绝,或者什么消息都没有。

面试结果当然重要,但它不是对一个人全部能力的终审。
招聘里有岗位匹配、团队需求、HC、面试官偏好,也有一些我们无法控制的因素。
我们能做的,是认真准备,诚实地面对自己的不足,尽量让每一次面试都比上一次多一点思考。不用每一次面试的结果,来证明自己值得被认可。

本篇目录
  1. 01
    有一场面试,面试官问我 KL 散度的 K1、K2、K3,接着又追问为什么选择 GSPO,以及 MoE 训练中路由变化、负载均衡会带来什么问题。
  2. 02
    有一场面试,面试官问我 KL 散度的 K1、K2、K3,接着又追问为什么选择 GSPO,以及 MoE 训练中路由变化、负载均衡会带来什么问题。
  3. 03
    有一场面试,面试官问我 KL 散度的 K1、K2、K3,接着又追问为什么选择 GSPO,以及 MoE 训练中路由变化、负载均衡会带来什么问题。
  4. 04
  5. 05
  6. 06
  7. 07
  8. 08
  9. 09
  10. 10
    为什么需要上游的 Query Rewrite 去适配搜索引擎?如果搜索系统本身的语义理解能力足够好,是不是就不需要做这么多适配?
  11. 11
  12. 12
  13. 13
  14. 14
  15. 15
  16. 16
  17. 17
  18. 18