【译】ML 求职面试：终极指南

原文链接：https://silviasapora.github.io/blog/ml-interviews.html

说明：本文为英文原文的中文翻译与排版优化，尽量在不改变原意的前提下，提升中文阅读体验。

ML 求职面试：终极指南

我觉得把自己在机器学习方向（Machine Learning）读完博士后、去找 Research Scientist 工作的经历写下来，可能会对一些人有帮助。关于这件事的信息几乎为零；如果当年我刚开始准备时有人写过这篇文章，我会非常感激。

希望你无论正身处面试战场，还是只是想提前了解一下流程，都能从中获得一些帮助。

整体而言，我的求职过程是成功的：凡是我走完整个面试流程的公司，我都拿到了 offer，包括 DeepMind（我最终接受了）、Isomorphic Labs、Cohere、Meta，以及一家处于隐身状态（stealth）的创业公司。

对这句“每家都拿到 offer”做几点补充：Anthropic、Mistral 和 TeslaAI 也联系了我，但时间太晚，我没能完成他们的流程。唯一一次“真正意义上的拒绝”来自 ReflectionAI：他们不认为我适合 RS（Research Scientist）轨道，但把我转到了 Engineering 轨道继续面。

我投递的大多数公司都给了面试机会，少数例外是：SpaceXAI、Waymo 和 Wayve。SpaceXAI 这次投递是我让朋友当玩笑帮我写的，但我也不觉得写得有那么糟。Waymo 和 Wayve 这两家……我是真的喜欢自动驾驶。我博士期间每半年就投一次 Waymo（先投实习再投全职），一次回音都没有；反而我实验室里有人能收到回复。Waymo，如果你看到这里，我愿意原谅你。我写的情书式求职信堪称艺术品。你可以用你们系统里已经存了好几次的邮箱联系我。

1. 如何拿到面试（Getting Interviews）

拿到面试本身就是一项挑战。如果你卡在这一步，能拨动的杠杆通常还是那几类：更多论文、更“潮”的研究方向、更好的实习经历。

你可以去我个人网站上看我的 CV（简历）作参考。这里简单概括一下我的背景：

• 博士期间有 4 篇一作（或共同一作）论文；
• 发表在 ICLR / NeurIPS / ICML；
• 研究方向既有热门（LLMs、RL），也有没那么热门（Meta-Learning、Evolution Strategies）；
• 有 Apple 实习经历；
• 之前还在 Meta 做过 Software Engineer。

如果硬要给一个粗略的“门槛”参考：想在顶尖实验室持续稳定地拿到面试回访，通常需要 3+ 篇一作论文，并且至少有 一次实习或行业经历。

但如果你已经开始拿到面试了：

继续发更多论文，此时基本不会再帮到你。 你接下来要做的，是通过面试。而且面试官往往根本不会认真看你的简历。所以别再把精力全押在研究和论文上了——请开始准备面试。

我理解那种“想等自己更准备好再开始”的拖延冲动，但现实是：你永远不会觉得自己完全准备好了。现在就开始准备。

1.1 一些额外但很重要的细节：求职信、内推、冷邮件、以及 LinkedIn/X

LinkedIn / X：

很多公司会在这些平台上发布岗位，尤其是实习岗位，有时这甚至是唯一的申请渠道。你通常需要填写帖子里的 Google 表单才算正式投递。关注你心仪公司里你欣赏的人，避免错过机会。

内推（Referrals）：

有帮助，但不是必须。以 DeepMind 为例，我三个岗位里两个有内推、一个没有：最终我拿到面试的，反而是其中一个“有内推的”和那个“没内推的”。Anthropic 这边我最初毫无回音，后来发现有位前同事刚加入，就请对方帮我内推后才有进展。

结论：能拿就拿，但不要因为没有内推就不投。

冷邮件（Cold emails）：

如果你知道 hiring manager 或团队里合适的人是谁，直接邮件联系往往会被欣赏。不要在邮件里复述简历（可以附上），而是解释：你为什么适合这个团队、你真正兴奋的点是什么。

就我而言：DeepMind 我给 hiring manager 发过邮件，对方很开心也回了；另一个岗位我看到 hiring manager 明确鼓励大家在 X 上私信……但我懒得做，因为我当时已经在面其他团队了。最后我即便没发消息也拿到了面试。

求职信（Cover letters）：

很少是硬性要求，但一旦要求了，就值得认真写。

拜托，真的拜托：不要直接让 Claude / Gemini / ChatGPT 给你从零写一封求职信。

你完全可以自己写，然后再让模型帮你润色，这是没问题的。但请尽量把你的个性和兴奋感写出来。

2. 公司选择：创业公司 vs 大厂（Startups vs Big Tech）

一句话总结：取决于你个人情况。任何泛泛的优缺点清单都很难替你做决定。

但下面这些因素值得认真考虑：

• 找创业公司更难。 没有一个“集中入口”。多问实验室同学、朋友、前同事——口碑传播往往是找到优质创业公司的最好方式。与此同时，因为更难被发现，竞争也常常没有那么激烈。
• 创业公司的面试流程差异更大。 大厂相对套路化，创业公司更随意。平均难度差不多，但方差很大。你需要观察面试流程传递出的信号：如果面起来太容易，可能意味着你未来的工作复杂度也没那么高。
• 工作内容两极分化。 好的创业公司可能比大厂更有趣、更有影响力；但也可能意味着更大压力、更多你原本没打算做的工程/基础设施工作，以及频繁变化的研究方向。面试时请大胆问：
  • 谁决定研究优先级？
  • 盈利路径是什么？
  • 竞争对手是谁？
  • 如果 OpenAI 明天醒来决定做同样的事怎么办？
• 成长空间。 创业公司通常能让你更快成长、承担责任、塑造方向。在大厂你是很多人之一，在创业公司你更“被看见”。这点可能非常重要。
• 简历含金量。 简历上写 OpenAI / Anthropic，几乎人人都懂；而“某家隐身创业公司”往往需要解释。不是说因此就不要去创业公司，但这是现实，需要纳入考量。
• 关于“稳定性”。 我不会用“安全感”来给大厂背书。过去几年大厂大规模裁员毫不手软，所以两条路都不是 100% 稳。

2.1 薪酬里最容易被误解的一块：RSU vs 期权（Stock options）

我花了很久才真正搞懂这一点，写在这里希望能省你一些弯路（以下以英国税法为背景）。

RSU（大厂常见）：

你拿到的是公司真实股份，按归属（vesting）计划发放。归属时你可以卖掉或持有。通常会有大约一半自动卖出用来缴纳所得税（没错，RSU 计入收入）。

期权（创业公司常见）：

你不是直接拿股票，而是获得“以固定价格 X 买入股票”的权利。届时市场价为 Y：

• 如果 Y > X：你可以用 X 买入，再以 Y 卖出，赚差价。
• 如果 Y < X：期权基本作废。

真正“疯狂”的地方在这里：期权通常在你离职后 90 天内过期；如果公司还没上市，你行权后也未必能卖出股票。于是你可能需要先拿现金支付 (X × 期权数量) 来买股票，但没有任何保证将来能卖掉。

更糟的是（在英国）：你一行权就要为 (Y−X) 的账面收益缴纳所得税——即便你一股都没卖，也一分钱没拿到。

所以如果你在创业公司干了两年离职，决定行权，而公司尚未上市，你可能需要同时支付：

• 买股票的钱：X × 期权数量
• 以及对账面收益缴税：((Y−X) × 期权数量 × 税率)

在你真正赚到任何钱之前。

一些补充：很多公司会提供“无现金行权”（cashless exercise）方案，用部分期权抵扣成本；也可能有回购或流动性事件。但请记住：每一轮融资都会稀释；资本利得税（~20%）也会进一步降低收益；而流动性事件给的估值往往还低于公司官方估值。

总结：当招聘方报给你一个包含创业公司股权的总包（total compensation）数字时，请微笑点头，然后在心里把那部分价值打个大折扣。更可能的现实是：你明年不会退休。但还是祝你好运。

3. 面试结构（Interview Structure）

多数公司整体结构相似，但每个环节占比差异很大。

Recruiter screen（HR/招聘初筛）：

通常是轻松、低风险的聊天。你需要证明自己具备相关技能，并且能清晰谈论自己参与/署名的论文。

技术面（Technical interviews）：

这才是主体，也是准备最重要的部分。不同公司会有 3–8 轮技术面，可能覆盖：

• 技术主题讨论（Technical Topics）
• 编程：LeetCode 风格题目，通常 Medium 或 Hard
• ML 编程/Debug：比如实现 attention、写 backward pass、找训练 loop 的 bug
• ML 知识：基础理论、应用 ML、系统设计（system design）

行为面（Behavioural interviews）：

大致有两类：

1) 经典行为题（例如“讲一次你与人冲突”“讲一次你收到负面反馈”）

2) 更偏研究风格的对谈（例如“你对什么方向感兴趣？”“你觉得领域会怎么发展？”）

行为面通常比技术面更“随意”，但千万别低估它：请认真复盘经历、准备回答。

4. 我如何准备：技术部分（How I Prepared: Technical）

这是最关键的一部分。别跳过。

我认识一些非常厉害的研究者，最终被拒的原因仅仅是：没有准备面试。每天做 ML 研究并不等于你能在面试里从零写出 attention、推导 backward pass、或者写出 flash attention。

请至少留出 一个月 的规律学习时间。

一个对我特别有效的“元策略”是：

我几乎不做泛泛的准备。我的准备几乎全部是围绕“下一场具体的面试/公司”来做的。

这样我会更聚焦，并且被问到的内容往往还“新鲜地留在脑子里”（对我这种金鱼记忆很重要）。等面完一轮，你会发现你其实也覆盖了大多数知识。

到面试结束时，我整理出了一套相当全面的资源目录和策略，下面会分享出来。是的，内容很多——但 ML Research Scientist / Engineer 的面试覆盖面就是这么广：从过拟合这种基础概念，到 LeetCode，到从零实现 transformer，到一些相对新的架构（Griffin、TransformerXL、S4），什么都可能问。

4.1 闪卡（Flashcards）

用于 ML 基础、应用 ML、以及研究讨论。

我试过 Anki，但不太合适；实体闪卡反而更适合我。更重要的是：自己写卡片，本身就是学习的一半，不要只下载别人的卡组。

复习时保持好奇心：不断追问自己，确保每个点都真正理解。多次在学习时我问自己的问题，后来真的在面试里被问到。提前把疑惑解决掉总比临场卡住好。

4.2 用大模型做模拟面试（LLM mock interviews：Claude / Gemini）

每次面试前，我会把岗位描述、公司背景、面试信息贴给当时我最喜欢的 LLM（通常是 Claude），让它来“面试我”。令人惊讶的是，模拟题和真实面试经常会有重合。

强烈建议：每一场面试都做一次。

如果你觉得难度不对，就开新对话，并更明确地说明你的水平和背景。

我的主观感受：Claude 在学习上最好；Gemini 的反馈有时过于“彩虹屁”（“他们能面到你真是幸运”——大概就是这种）。

4.3 LeetCode / NeetCode

至少刷完 Blind 75；可选再加 NeetCode 150，重点放在 Medium。

目标是拿到每题的最优解：Two Sum 的 O(N²) 不算“解出来”。Hard 不要花太多时间。

如果你以前没刷过 LeetCode：

一开始会非常痛苦，你会觉得自己很蠢——这是正常的，也会过去。

刷到第 100 题时你会自信很多。

确保你掌握并能快速、稳定实现基础模式：DFS、BFS、Graphs、Backtracking、DP、Binary Search……

建议目标：每道 Medium 20 分钟以内。

如果卡超过 15 分钟：直接看答案，理解它，标记为需要复习，然后继续下一题。这里广度比深度更重要。

我总共做了大概 150 道 Medium。

4.4 书籍（Books）

• Designing Machine Learning Systems（Chip Huyen）：覆盖大量基础与应用 ML 面试题。建议做高亮和笔记。
• The JAX Scaling Book：我是在面试后才发现的，但非常优秀；如果当时看到，我会重度使用。
• Reinforcement Learning（Sutton & Barto）：只建议 RL 新手读；如果你已经做 RL 研究，我认为有点过度。

4.5 课程（Courses）

• 线性代数：Gilbert Strang 的 YouTube 课程。2x 速一天内就能看完（我亲测）。他是我本科线代及格的唯一原因，愿他再活 91 年。
• Diffusion / Flow Matching：MIT 和 Stanford 的课程都不错，但偏数学。如果你不是做这块研究，面试题多半也不会深挖；把高层直觉建立起来，记住关键概念即可（比如 diffusion SDE、flow matching ODE）。

4.6 ML 编程与 Debug（ML coding and debugging）

这是我最难找到优质资源的一块，也最依赖真实经验。

Debug 面试尤其难练，因为让 LLM 生成“看起来真实的 bug 代码”并不稳定。复盘自己（或朋友）的代码库，可能是最好的练法。

DeepML 有一些题，但我个人不太满意。我也觉得 Tensor Puzzles 很有帮助。

你可以把自己练到的“基准线”设为：

• 从零实现一个 transformer（端到端）
• 实现 causal / cross / self attention
• 实现 flash attention
• 实现 attention 的 backward pass
• 实现一个 MLP 的 forward 和 backward pass
• 用 PyTorch 或 JAX 写一个简单的 SGD 训练 loop

如果你能在时间压力下从零写出这些，你就非常稳了。

5. 我如何准备：情绪部分（How I Prepared: Emotional）

我不能代表所有人，但对我来说，这个过程几乎把我的心理韧性耗光了。

过去我对面试和考试一直表现不错，也没什么特别策略……但这一次完全不同。

如果你目前情绪状态很好，可以跳过这一节。我不想把不存在的焦虑“种”到你心里。

5.1 先说最实用的部分

我最大的问题是睡眠：面试前一晚很难睡好；当你一周有 10 场面试时，这会变成严重问题。

我也几乎吃不下东西，面试前看到食物就反胃。我的解决方案是：灌可乐，用糖顶住。我不说这是什么最佳实践，但这是我能想到的最可行方案。

除了“活下来”，我建议：规律运动、固定晚间作息、别把自己社交隔离。

面试前去跑步对我帮助很大：消耗紧张能量，重置大脑。（如果你也这么做：别跑太狠，碳水要补够。）最艰难的几周里，我给自己定了一个规则：只要第二天早上没面试，当晚就一定要和朋友吃饭。真的有用。

5.2 面试前仪式感

我从一个稳定的“面试前仪式”里获得了很多安定感：

• 在背景里放上新鲜的花（收到过不少夸奖）
• 化妆（让注意力从焦虑转移到别处；如果你不化妆，也许可以试试护肤）
• 看固定的舒适视频

我的固定片单是：Alysa Liu 的花滑与人生教学，以及《指环王》《指环王》《指环王》。想要更多 wholesome 视频推荐可以邮件我。

5.3 更难的部分

某个阶段，我的焦虑已经比准备不足更影响发挥了。我会在面试中途突然大脑空白。

我当时真的考虑过在面试期间开始心理咨询，但时间不够。

现在回头看，这类反思如果在面试开始前做更有价值：了解触发点、与失败的关系、自我价值感到底绑定在什么上——避免在战场上临时“发现自己”。不太推荐我这种方式（lol）。

但我最想说的是：

你作为一个人的价值，不会由这些面试决定。

我知道几个月前的我可能会翻白眼，但这是真的。整个过程具有很强的随机性，有时候宇宙甚至会开玩笑。

比如 DeepMind 面试那天早上 5 点，我冷汗醒来，突然想起自己没复习 topic X。我立刻拿起手机让 Claude 总结 topic X，然后回去睡了。9 点上线时，面试官第一句话就是：“你对 topic X 了解多少？”

我不是说真的有神，但如果有，那天显然站在我这边。

同时你也要允许自己有状态差的一天：面试里解释不清“forward KL 为何 mean-covering、reverse KL 为何 mode-seeking”，不代表你就不是一个好研究者。

我曾经在一个面试里把这个问题答砸了，明明我写过两篇论文都涉及 forward vs reverse KL。我面完后直接大哭。

你会失误，甚至会在你明明会的东西上失误——这没关系。

5.4 对我有帮助的书

这些书不一定专门讲“面试焦虑”，但对底层心态建设很有帮助：

• The Now Habit（Neil Fiore）
• The Gifts of Imperfection（Brené Brown）
• Mindset（Carol Dweck）
• The Tyranny of Merit（Michael Sandel）

6. 我如何准备：流程与节奏（How I Prepared: Logistics）

一天一场面试。 我个人更喜欢这种节奏（如果能做到）。不总是可行，但面试很消耗；你一天第三场面试的表现，很可能天然会下滑。

我的节奏是：早上面试，剩下的时间准备下一场。这样我不会在一天内不断上下文切换。

先从你没那么在意的公司开始。 小创业公司、你不太想去的地点、你觉得有意思但不是第一选择的岗位……先用它们来熟悉流程，校准信心，同时也更早获得对薪酬区间的现实感，等你真正谈你最想要的 offer 时更从容。

考虑时间线。 有的公司推进很快，有的极其慢，而且慢得不可预测。一旦流程启动，节奏通常会变得相对可预期。

所以如果 A 公司给你一个“随时可做、做完就启动流程”的测试链接，而你还在等 B 公司安排第一轮……先等 B 公司把第一轮约下来，再做 A 的测试。

你的目标是让多个 offer 尽量落在同一时间窗口，这样你才有真实杠杆和真实选择。当然现实仍然随机性很强。

比如我当时试图联系 Anthropic 的熟人加速，但最终没能在 DeepMind 的截止日期前把 Anthropic 的流程启动起来。

把你同时在进行的其他流程告诉每家公司。 我知道这对一些人来说不舒服，但这非常正常、也符合预期。它可以让时间线更透明，也常常会促使公司在感兴趣时推进更快。

我也觉得：当公司知道“其他公司也认为你是个认真候选人”时，会更认真看待你。

7. 薪资谈判（Negotiation）

我当时觉得这篇文章很有帮助（作为起点），但说实话我并没有完全照做。

文章建议把谈判当成“盲拍卖”，不要透露竞争 offer 信息。但在我这里不太奏效：

• 有几家公司明确要求我提供其他 offer 的证明，才愿意加价
• 甚至有一家质疑我的截图（lol）

“扑克脸策略”就这样破产了。

我学到的几点：

• 如果公司真的想要你，数字能调得比你想象的大得多。永远值得开口问。 大多数公司愿意谈。
• 截止日期（deadline）差异很大：一周、两周、或者“合理时间”。以我的经验，公司通常不太愿意延长（当然我也听说有人可以），所以你在排时间线时要把它考虑进去。
• 招聘方（recruiters）非常擅长读你。即便只是一些模糊问题，他们也可能推断出你的真实偏好。小信号都很重要：你提某家公司频率有多高、你怎么评价他们……都会被记录。
  • 如果 recruiter 知道你已经把他们当第一选择，谈判会更难。
• 公司会用历史数据判断你的“威胁”是否可信：如果你告诉 Anthropic 你在认真考虑 Peppers Burgers 的 offer，他们会用数据判断“拿到这两家 offer 的人，最终选后者的概率”。如果几乎没人这么选，你的 bluff 就没用。
  • 这也是为什么来自真正同量级公司的竞争 offer（例如 OpenAI、另一家顶级实验室）会更有分量。
  • 但这也意味着：想把流程对齐很难。

8. 做决策（Decision Making Process）

我无法替你做决定，但就我个人而言：这个过程一开始我很不自信，所以很容易想早早接受前几个 offer（而不是让它们过期、继续面更多公司），因为害怕“后面可能什么都没有”。

但事实是：我后来确实拿到了更好的选择。

当然，你永远无法预测未来的流程会怎么走，但请相信你的直觉。

在我这里，权衡因素包括：地点、薪酬、名声、工作内容、免费食物和可乐（后两项对我非常重要）。

我在开始前大概有一份粗略的偏好排序，但随着我了解更多团队、文化和薪酬，它也在变化。

我那套极其先进的“氛围评分系统”后来在我爱上 Isomorphic Labs、同时 DeepMind 给我发 offer 后彻底崩溃。

我的解决方法是：和两家公司几乎所有人都聊了一遍。

结果很戏剧：DeepMind 的每个人都说会选 DeepMind，Isomorphic 的每个人都说会选 Isomorphic。非常有帮助。

最终真正有用的是：和真正了解我的人把它讲透（对我来说是伴侣），然后做决定。

9. 如果重来一次，我会怎么做（What I'd Do Differently）

即便整个过程总体成功，如果未来重来，我会做几件事：

• 建一个表格（spreadsheet）。 我当时坚信自己能用脑子记住所有流程。技术上可以，但一个简单表格（申请公司、流程进度、截止日期、联系人）本来可以避免我忘记投一些我其实很想去的公司。
• 情绪准备要和技术准备同等重要。 面试会让你感觉它像是在宣判“你作为研究者是否合格、你的博士是否值得”。这不是理性的框架，但身处其中很难不这样感受。我当时处理得不好，提前做心理咨询或至少认真自我反思，会有帮助。
• 对那些无视你的公司更主动。 现在回头看，我应该去给对方发冷邮件，表达真实兴趣，尝试真正进入某个人的视野，而不是把希望寄托在申请表上。

如果你真的很想去某个地方、但一直没回音：请做点什么。

10. 技术面高频话题清单（Technical Topics）

下面是我在开始面试前列出的学习话题清单。

对我而言，被问到最多的是 LLM 和 RL，符合我的背景。如果你做 diffusion，可能会被问更多 diffusion 相关。

我在至少一场面试里以某种形式被问到了几乎所有我学过的主题——所以请尽量把每个点都覆盖到位。

Reinforcement Learning

• Q-Learning / TD Learning
• Bellman Equations
• PPO
• GRPO
• GAE
• Variance Reduction in RL
• DPO (Direct Preference Optimisation)
• Policy Gradient Theorem
• On-Policy vs Off-Policy
• Exploration vs Exploitation Dilemma
• Credit Assignment Problem
• MuZero
• World Models / Dreamer
• AlphaGo
• Soft Actor-Critic
• Model-Based vs Model-Free
• Markov Property
• Monte Carlo vs TD
• Actor Critic
• SARSA
• Importance Sampling
• Markov Decision Process
• Curriculum Learning

LLMs

• Flash Attention
• LoRA
• TransformerXL
• Griffin
• Perceiver
• Scaling Laws
• Mixture of Experts
• LLM scaling factor
• RoPE
• Sinusoidal embeddings
• Relative positional embeddings
• LLM vs RNN vs S4
• Tokenisation
• Pretraining
• Finetuning
• RLHF
• Decoding techniques
• Causal Attention
• Cross Attention

Generative Modelling

• GANs
• VAEs and VAE ELBO
• Score Function
• Diffusion Forward Process
• Diffusion Reverse Process (DDIM / DDPM)
• Diffusion Forward / Reverse SDE
• Flow Matching ODE
• Classifier Free Guidance

Applied ML

• Tensor Parallelism
• FSDP
• DDP
• Pipeline Parallelism
• Communication Primitives
• Mixed precision training
• Gradient checkpointing
• Gradient accumulation
• Profiling
• Gradient clipping
• Numerical precision tricks
• Exploding / vanishing gradients
• Floating point representation
• JIT compiling
• JAX, PyTorch, TensorFlow

General ML

• Curse of dimensionality
• S4
• CNNs
• RNNs / LSTMs
• Autoencoders
• Gumbel-Softmax
• MLE vs MAP
• Newton's Method
• Linear Regression
• Activation Functions
• Loss Functions
• No Free Lunch Theorem
• BatchNorm / LayerNorm / RMSNorm
• Variance and Covariance
• Adam / AdamW / Adagrad
• Bias-Variance Tradeoff
• Backprop
• Regularisation Methods
• Unsupervised vs Supervised
• Clustering Algorithms (e.g. k-means)
• K-Nearest Neighbours
• SVMs
• Boosting
• Bagging
• Decision Trees
• Ensembles
• Bayes Theorem
• Precision / Recall / F1 / AUC-ROC
• KL Divergence
• Jensen-Shannon Divergence
• Weight initialisation
• Gradient Descent / SGD
• Overfitting / Underfitting
• Cross validation
• Data Whitening
• Convex functions
• Early Stopping
• Domain Adaptation
• Dimensionality Reduction
• Transfer Learning
• Few shot / Zero shot learning
• Second Order Methods
• Expectation
• Entropy
• PDF / PMF
• Confidence Intervals

Linear Algebra

• Positive Semi-Definite
• Jacobian
• Eigenvectors / Eigenvalues
• Hessian
• Inverse of a matrix
• Dot product
• Null space / Image space
• Orthogonality
• Linear independence
• Singular matrices
• Rank / Span
• Determinant