算法岗位面经
完整信息
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:
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?为什么选择这个技术方案?
训练数据和监督信号从哪里来?
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。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
当前问题0118
- 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。
- 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。
- 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。
- 04
为什么可以直接把不同维度的 reward 加在一起?
- 05
不同 reward 之间发生冲突怎么办?
- 06
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?
- 07
有没有考虑过奖励解耦?
- 08
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。
- 09
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?
- 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
为什么要做这个项目?
- 12
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?
- 13
为什么选择这个技术方案?
- 14
训练数据和监督信号从哪里来?
- 15
如何证明收益真的来自你的方案?
- 16
那 SFT 贡献多少?偏好优化贡献多少?数据筛选贡献多少?
- 17
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?
- 18
如果给你更多资源,重新做一次,你会怎么设计?