PythonAI算法

国内大模型公司面试经验总结与备考指南

本文整理了国内多家大模型公司的面试经历，涵盖智元机器人、面壁科技、Minimax、阿里夸克等。内容包含面试轮次、考察重点如 Transformer 架构、MHA 手写、分布式训练细节及 RLHF 方向。总结了基座算法岗位的核心考点，包括多头注意力机制、并行策略、数据预处理及评估方法。建议求职者加强工程能力与底层知识，关注多模态与强化学习趋势。

蜜桃汽水发布于 2025/2/6更新于 2026/4/201 浏览

国内大模型公司面试经验总结与备考指南

前言

2024 年前后，大模型技术在国内迅速兴起。本文综合整理了多家大厂及初创公司的面试经历，涵盖基座算法、框架研发等岗位。内容包含面试轮次、考察重点及技术感悟，旨在为同行提供参考。

一、面试经历汇总

1. 智元机器人（Agibot）

结果：拒
过程：一面由创始人稚晖君主面。考察简历经历及 Transformer 基础问题（MHA、复杂度、BERT/GPT 架构）。后续无反馈。
点评：具身智能方向前景广阔，团队氛围良好。

2. 面壁科技/面壁智能

结果：Offer
过程：共两面。涉及大模型训练、Transformer 细节及过往项目经历。二面直接聊 Offer。
点评：团队年轻，清华背景居多，资金充足，薪资竞争力强。

3. 光年之外

结果：简历拒
过程：猎头推荐，未进入面试环节。

4. 北京智源人工智能研究院

结果：默拒
过程：3-4 轮面试，涉及 Evaluation、训练等不同团队。后期面试官爽约且 HR 无后续跟进。
点评：招聘流程存在不确定性，偏向 Evaluation 方向。

5. 360

结果：简历拒
过程：猎头沟通需高 P（P8+）级别。

6. Minimax

结果：口头 Offer（框架组）
过程：4+ 轮面试。前期侧重 LeetCode，少量大模型浅层问题（如手写 MHA）。最后一轮主管面较短。
点评：薪资较高，但业务技术方向沟通不足。若追求算法岗需谨慎评估。

7. 昆仑万维

结果：Offer
过程：考察大模型训练细节（参数量、训练技巧），无明显 LeetCode。
点评：初始 Offer 薪资略低，但猎头反馈整体待遇不错。

8. 云从科技

结果：拒
过程：两轮面试。第二轮时长超 2 小时，深入探讨模型端、框架端及研究细节。
点评：沟通愉快但未能通过，可能因岗位匹配度问题。

9. 阿里夸克

结果：Offer
过程：4 轮面试。含 2 轮 LeetCode，标准大模型问题（Transformer、分布式、Loss Spike 处理）。Cross 面涉及搜广推概率论及 OS 知识。
点评：HR 沟通体验一般，技术面较规范。

10. 衔远

结果：Offer
过程：3 面左右，中规中矩。终面与周伯文老师交流。
点评：提供框架岗位，若倾向模型岗需确认方向。

11. 潞晨科技（Colossal-AI）

结果：拒
过程：一面深问框架（模型切分、Flash-Attention）。二面算法组侧重应用端。
点评：框架端口碑好，HC 较少，算法方向偏应用而非基座。

12. 蚂蚁集团

结果：Offer
过程：徐鹏老师团队。二面与徐鹏老师本人交流，强调 Research 与 Engineering 不分家。
点评：签字费可观，适合希望兼顾研究与工程的候选人。

13. 腾讯

结果：简历拒
过程：猎头要求 PhD 学历。

14. 小红书

结果：简历拒
过程：猎头要求 PhD 学历。

15. 商汤

结果：拒
过程：LeetCode + 手写 MHA。二面表现不佳。

16. 百川智能

结果：拒
过程：一面通过后，二面迟到导致被拒。理由称需 3 年以上经验。

17. 百度文心

结果：Offer
过程：多轮面试。数据组转模型组。考察 Transformer、训练细节。分工细致（模型、框架、数据分离）。
点评：底薪较高，流程规范。

18. 科大讯飞

结果：拒
过程：HR 初筛因工作地点（合肥）拒绝。

19. IDEA 研究院

结果：拒
过程：一面即挂。

20. 好未来

结果：Offer
过程：简单 LeetCode，模型轮表现尚可。项目涉及数学相关 GPT 模型。

21. 零一万物

结果：拒
过程：一面推荐系统，二面复杂 LeetCode 未答出。

22. 月之暗面（Moonshot）

结果：拒
过程：面试深度与广度极高。涉及 Transformer 底层、分布式通信（Ring-Reduce）、CUDA 编程及难 LeetCode。
点评：团队背景顶尖，对底层能力要求极高。

23. 阿里达摩院（新达摩）

结果：Offer
过程：LeetCode + 大模型技术。二面与高层交流愿景。补 Coding 后获 Offer。
点评：纯研究方向，算力强大，聚焦 LLM 与多模态。

24. 边塞科技

结果：拒
过程：专注 RLHF 微调。创始人有 OpenAI 背景。RL 经验不足。

二、核心感悟

竞争激烈：新模型与新 Paper 迭代极快，需保持持续学习。
工程与研究的融合：Research 岗位要求工程落地能力，工程岗也需懂模型原理。
全栈要求：硬核岗位通常要求覆盖应用、模型、框架、后端甚至硬件。
技能树建议：模型 > 框架 > 底层（Kernel/CUDA）> 其他。建议在不放弃模型的前提下补充底层能力。
RLHF 前景：强化学习是重要方向，若有相关经历建议深挖。
薪资水平：大模型岗位总体薪资高于同级别传统岗位。
技术趋势：多数集中在语言模型，研究岗开始关注多模态预训练。

三、高频考点详解

针对基座算法与框架岗位，以下知识点在面试中出现频率极高：

1. 多头注意力机制（Multi-Head Attention, MHA）

核心概念：时间/空间复杂度分析，Q/K/V 矩阵变换。
优化方案：KV Cache 原理及其显存占用计算；MQA（Multi-Query Attention）与 GQA（Grouped-Query Attention）的区别与优势。
代码实现：能手写 PyTorch 版本的 MHA 或 Flash-Attention 简化版。

2. 归一化与激活函数

Norm 类型：LayerNorm 与 RMSNorm 的差异，为何后者在 LLM 中更流行。
激活函数：SwiGLU 与 ReLU/GELU 的对比，SwiGLU 在 Transformer 中的优势。

3. 并行策略与框架

并行方式：数据并行（Data Parallelism）、张量并行（Tensor Parallelism）、流水线并行（Pipeline Parallelism）的原理及优缺点。
主流框架：DeepSpeed 与 Megatron-LM 的源码阅读，理解其 ZeRO 优化策略。
加速技术：Flash-Attention 的核心思想（IO Aware），如何减少 HBM 访问。

4. 模型架构细节

主流模型：BERT、GPT 系列的差异，位置编码（RoPE、ALiBi）的实现细节。
自回归：推理过程中的解码策略（Greedy Search, Beam Search, Sampling）。

5. 训练稳定性与技巧

常见问题：Loss Spike 的原因及解决方案（梯度裁剪、学习率预热）。
混合精度：FP16/BF16 的训练配置及 Loss Scaling 机制。

6. 数据处理与评估

Tokenization：BPE、WordPiece 算法流程，Mask 策略对训练的影响。
评估指标：Perplexity、BLEU、ROUGE 及人工评估方法，安全性与有效性测试。

7. 多模态与 RLHF

多模态：CLIP、Flamingo 等架构的基本原理。
RLHF：Reward Model 训练、PPO 算法在大模型对齐中的应用步骤。

四、备考与学习建议

1. 夯实基础

复习深度学习基础，特别是 Transformer 架构的每一个组件。
熟悉 Python 编程，能够流畅编写 PyTorch 代码。

2. 深入工程实践

尝试复现经典论文代码，理解分布式训练的配置。
学习 CUDA 基础，了解 Kernel 编写流程，这对底层优化岗位至关重要。

3. 关注前沿动态

定期阅读 ArXiv 上的最新论文，关注 Hugging Face 社区。
跟踪开源项目（如 Llama、ChatGLM）的技术博客。

4. 模拟面试

进行 LeetCode 刷题，重点攻克 Medium 及以上难度的题目。
准备常见的大模型技术问题清单，进行口述演练。

5. 职业规划

明确自身定位：是偏向算法研究、工程落地还是系统架构。
根据目标岗位调整技能树，例如算法岗重论文复现，工程岗重系统性能优化。

注：以上经验基于个人面试记录整理，仅供参考。具体面试情况因团队和时期而异。

国内大模型公司面试经验总结与备考指南

国内大模型公司面试经验总结与备考指南

前言

一、面试经历汇总

1. 智元机器人（Agibot）

2. 面壁科技/面壁智能

3. 光年之外

4. 北京智源人工智能研究院

5. 360

6. Minimax

7. 昆仑万维

8. 云从科技

9. 阿里夸克

10. 衔远

11. 潞晨科技（Colossal-AI）

12. 蚂蚁集团

13. 腾讯

14. 小红书

15. 商汤

16. 百川智能

17. 百度文心

18. 科大讯飞

19. IDEA 研究院

20. 好未来

21. 零一万物

22. 月之暗面（Moonshot）

23. 阿里达摩院（新达摩）

24. 边塞科技

二、核心感悟

三、高频考点详解

1. 多头注意力机制（Multi-Head Attention, MHA）

2. 归一化与激活函数

3. 并行策略与框架

4. 模型架构细节

5. 训练稳定性与技巧

6. 数据处理与评估

7. 多模态与 RLHF

四、备考与学习建议

1. 夯实基础

2. 深入工程实践

3. 关注前沿动态

4. 模拟面试

5. 职业规划

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具