第3章 面试评分表与自我评估
本章聚焦面试中的自我诊断与评分策略。你将学会如何拆解通用评分维度、分配权重，并利用结构化框架进行自我评估、展示提升路径。以下先给出核心评分表，再通过可视化回答框架与三个高频面试问答，帮你掌握自我表达节奏。
面试通用评分维度 & 权重分配
| 维度 | 权重 | 考察要点 | 自我诊断提示 |
|---|---|---|---|
| 技术深度 | 30% | 模型原理、训练技巧、调参经验 | 能否清晰解释 Transformer 各模块？ |
| 项目经验 | 25% | 业务背景、规模指标、技术栈选型 | 是否能用 STAR 讲清一个完整项目？ |
| 问题解决 | 20% | 异常排查、性能优化、创新方案 | 遇到 loss 不收敛时如何定位？ |
| 团队协作 | 10% | 沟通表达、技术决策、冲突处理 | 能否给出跨团队协作的具体事例？ |
| 学习能力 | 15% | 新技术关注、知识迁移、成长潜力 | 最近学习的新模型或框架是什么？ |
💡 自我评估技巧： 先用表格对自己打分（1-10分），再针对低分项准备具体改进案例，面试时主动展示成长轨迹。
🎯 面试问题：请介绍一下你对自己的技术能力评估，以及你认为面试中最重要的评分维度是什么？
简短示例回答： 我给自己技术能力打7.5分。技术深度较强，能独立实现BERT微调并优化收敛速度；但工程化经验稍弱。我认为最重要的评分维度是问题解决，因为现场调参和异常排查直接体现模型训练能力。
- 可能追问： 你刚才说自己工程化弱，具体指什么？打算如何补足？
- 避坑提醒： 不要只给高分不暴露弱点，面试官期望看到诚实和可落地的改进计划。
🎯 面试问题：如果让你给自己在自然语言处理模型训练方面的经验打分（1‑10分），你会打几分？为什么？
简短示例回答： 我打6分。能独立完成文本分类、序列标注任务，熟悉全参微调和LoRA；但尚未大规模训练过100B+参数模型，分布式训练经验不足。计划今年参与Deepspeed并行训练实操。
- 可能追问： 如果给你一个百亿参数模型，你第一步会做什么来确保训练稳定？
- 避坑提醒： 分数要结合岗位要求调整（如校招5‑6分，社招7‑8分），过低或过高都影响印象。
🎯 面试问题：请描述你如何利用面试评分表进行自我诊断，并制定提升计划？
简短示例回答： 我用上述维度表自评，发现“问题解决”只有4分。于是每周在Kaggle上分析5个失败案例，记录排查步骤；两个月后能系统解决loss震荡问题。同时针对“项目经验”薄弱，重构了简历中两个项目的STAR描述。
- 可能追问： 如果时间有限，你优先提升哪个维度？为什么？
- 避坑提醒： 不要只说“多看、多练习”，要给出可量化、可验证的具体行动。
⚠️ 核心提醒： 面试评分表是双向工具——既用于面试官评价，也用于你自己定向补齐短板。每轮面试后，用表格立刻复盘，持续迭代。