第 2 章：高频面试问题与回答框架

面试中看似“常规”的问题，往往藏着最深的考察点。本章拆解 3 个高频问题，逐一给出回答框架、示例话术、追问路径与避坑指南，并附上头部公司的侧重点对比，帮你把每一次回答都变成加分项。

头部公司侧重点速览

📌 面试问题 1：请介绍一下你作为模型训练工程师的经历

面试官考察点： 判断候选人的技术栈匹配度、项目影响力、以及表达是否清晰有条理。通常用于开场破冰。

回答框架：

• ① 一句话总结：我专注 XX 领域（如大模型 / 多模态），有 X 年经验。
• ② 分 2-3 个阶段说明：第1阶段做了XX（数据 / 预训练），第2阶段做了XX（微调 / 推理优化）。
• ③ 每个阶段配一个关键数字（参数量 / 速度提升 / 成本下降）。
• ④ 收尾：当前关注点 + 与岗位匹配点。

简短示例回答：

我聚焦 NLP 大模型训练方向，近 3 年参与过 2 个 10B+ 参数模型项目。前期负责数据清洗与预训练，将数据效率提升 30%；后期主导指令微调阶段，在 3 个 benchmark 上提升 5-8 个点。现在正在探索低秩适配（LoRA）在业务场景中的落地方法，这也与贵司对口岗位高度契合。

可能追问：

• “你提到的数据效率提升 30%，具体用了什么方法？”
• “微调阶段遇到最大的坑是什么？”
• “为什么不用全参微调而选择 LoRA？”

📌 面试问题 2：你是如何平衡模型容量和训练成本的？

面试官考察点： 对计算资源、模型规模、效果三角关系的理解；是否在实践中做过取舍决策。

回答框架：

• ① 承认矛盾：容量越大效果越好，但成本非线性增长。
• ② 给出思考路径：先评估业务天花板，确定“够用”的精度。
• ③ 具体策略：模型裁剪→知识蒸馏→混合精度训练→稀疏激活。
• ④ 实例佐证：在 XX 项目中采用蒸馏，参数量减少 60%，效果仅下降 1%。

简短示例回答：

我们在广告 CTR 任务中，最初用 300M 参数模型，单机训练需 3 天。通过分析业务指标，发现 100M 参数已能满足 95% 的 AUC。因此采用教师-学生蒸馏，最终模型大小压缩 60%，推理成本降低 70%，线上效果仅回落 0.2%，实现了成本和效果的帕累托最优。

可能追问：

• “蒸馏时温度系数怎么调的？试过哪些值？”
• “如果业务要求 99% 精度，你会怎么选？”
• “你们在哪些环节用了混合精度？收益如何？”

📌 面试问题 3：你如何评价自己过往项目中模型的效果？如果效果不达预期，你会怎么做？

面试官考察点： 评估能力（是否客观）、复盘能力、问题归因与解决路径。

回答框架：

• ① 建立评估体系：业务指标 + 技术指标（精度/召回/推理延迟）。
• ② 客观评价：举例说明效果好的项目，也坦承效果未达预期的案例。
• ③ 归因方法：数据质量→模型架构→超参→部署环境，逐层排查。
• ④ 改进行动：具体做了什么（重采样、改 loss、调学习率等），最终结果如何。

简短示例回答：

之前做文本生成项目，BLEU 始终达不到 baseline。我首先排查训练数据，发现 20% 样本标签错误，清洗后 BLEU 提升 3 个点；接着调整生成策略，将 beam search 宽度从 5 改成 3，虽然 BLEU 降了 0.5，但推理速度翻倍。最终效果虽未达预期最优，但线上转化率提升了 12%。所以我认为效果评估要兼顾离线与在线。

可能追问：

• “你怎么定义‘预期效果’？是谁定的标准？”
• “如果三种排查方向都试了效果还是差，你怎么办？”
• “有没有因为模型效果太好导致线上崩溃的情况？”