在面试 DeepMind、Isomorphic、Meta、Cohere 等公司的研究科学家职位后，我写下了所有学到的经验。技术准备、流程安排、薪资谈判，以及情绪崩溃。查看我的指南：https://silviasapora.github.io/blog/ml-interviews.html…

终极指南 – Silvia Sapora

来源：https://silviasapora.github.io/blog/ml-interviews.html 职业 · 2026年6月

机器学习求职面试：终极指南

我在机器学习博士毕业后如何找到研究科学家职位

我觉得分享一下我在机器学习博士毕业后找研究科学家工作的经历可能会对大家有帮助。关于这方面的信息几乎为零，我真希望当初开始求职时有人写过这样的内容。无论你现在正身处其中，还是刚刚开始考虑找工作，希望这篇文章对你有用。

总体来说，我的求职过程是成功的：我收到了所有完成面试的公司的 offer，包括：DeepMind（我接受了）、Isomorphic Labs、Cohere、Meta 和一家未公开的初创公司。不过有几点需要说明：Anthropic、Mistral 和 TeslaAI 回复太晚，我没有完成面试流程。ReflectionAI 是真正被拒的那家：他们认为我不适合研究科学家岗位，但把我换到了工程岗位。

我申请的大部分公司都给了我面试机会，除了：SpaceXAI、Waymo 和 Wayve。对于 SpaceXAI，我确实让朋友恶搞般帮我写了申请，但我没觉得有那么差。对于 Waymo 和 Wayve：我热爱自动驾驶汽车。读博期间我每隔半年就申请一次 Waymo（实习，然后全职），但一次回复都没收到，尽管我实验室的其他人收到了回复。Waymo，如果你们在看这篇文章：我愿意原谅你们。我写的求职信简直是艺术品。你们可以通过你们已经保存的邮箱联系我，已经存了好几次了。

如何获得面试

获得面试本身就是一项挑战，如果你在这方面遇到困难，常见的杠杆是：更多论文、更热门的研究方向、更好的实习。你可以参考我网站上的简历，但简单来说：我博士期间发表了 4 篇第一作者（或共同第一）论文，发表在 ICLR / NeurIPS / ICML 上，涵盖了热门方向（LLMs、RL）和不太热门的领域（Meta-Learning、Evolution Strategies）。另外，我在苹果有过实习，在 Meta 做过软件工程师。如果要给个粗略的标准：3 篇以上第一作者论文和至少一次实习或行业经验，似乎是能在顶级实验室持续获得回应的门槛。

不过，如果你已经能获得面试：再多论文对现阶段没有帮助。你需要通过面试，而面试你的人通常甚至不会看你的简历。所以，别再专注于你的研究和论文了，开始专注于面试准备吧！我理解你想拖延的感觉，但你永远不会觉得自己准备好了，所以现在就立刻开始准备吧。

其他几个值得了解的细节：求职信、内推、冷邮件和 LinkedIn/X。

**LinkedIn / X：**很多公司会在这些平台上发布职位信息，尤其对于实习，有时是唯一申请渠道。你需要填写帖子中链接的 Google 表单，申请才会被计入。关注你感兴趣公司中你欣赏的人，这样你就不会错过这些机会。

**内推：**有当然好，但并非必需。在 DeepMind，两个角色有内推，一个没有，我收到了一个有内推的角色和一个没有内推的角色的面试邀请。在 Anthropic，我一开始没有任何回复，直到发现一位前同事刚入职，请他帮我内推。所以，能拿到内推就争取，但别因为没有而放弃申请。

**冷邮件：**直接给招聘经理或团队成员发邮件（如果你知道他们是谁）通常很受欢迎。不要只是重复你的简历（可以附上），用邮件解释为什么你适合这个特定团队，以及你对他们的工作哪些地方真正感到兴奋。就我而言：在 DeepMind，我给招聘经理发了邮件，他很高兴并回复了。另一个角色，我看到招聘经理在 X 上明确鼓励大家给他发邮件……但我懒得发，因为我已经在和其他团队进行面试了。尽管没发邮件，我最后还是获得了这个团队的面试机会。

**求职信：**很少要求，但当需要时，值得认真对待。求求你们，千万别直接让 Claude / Gemini / ChatGPT 代写。你完全可以自己写，然后让它们帮你润色，这没问题。但一定要让你的个性和热情有所体现。

公司：初创公司 vs 大型科技公司

总结来说：这取决于具体情况，远比我列出的通用优缺点更有道理。但以下是一些主要考虑因素。

**寻找初创公司更难。**没有集中的平台可以查找。问问你的实验室伙伴、朋友和以前的同事……口口相传是找到你研究领域内优秀初创公司的最佳方式。同时，正因为它们难找，这些职位的竞争通常不那么激烈。

**初创公司的面试流程差异更大。**大型科技公司有相当可预测的结构，而初创公司则各有各的玩法。平均难度相当，但方差很大。注意面试流程告诉你的公司信息：如果感觉太简单，可能暗示了你实际工作的复杂度。与面试一样，我认为初创公司的工作质量和人员质量方差也更大。

**工作本身各有千秋。**在合适的初创公司，研究工作可能比在大实验室更有趣、影响更大。但也可能带来更大压力、更多你没想到的工程和基础设施工作，以及频繁变化的研究方向。在面试中要问清楚！谁决定研究优先级？通往盈利的路径是什么？竞争对手是谁？如果 OpenAI 明天醒来决定做同样的事会怎样？

**成长空间。**初创公司通常提供更多快速成长、承担责任和影响工作方向的机会。在大实验室你只是众多员工中的一员，在初创公司你更受瞩目。这可能非常重要（对我来说就是）。

**简历含金量。**OpenAI 或 Anthropic 在简历上能立刻被任何人认出来。而没人听过的未公开初创公司则需要解释。这不是避免初创公司的理由（如果你是创始人类型，那就完全不同），但诚实来说，值得考虑。

**关于“稳定性”：**我不打算说这个。大型科技公司在过去几年中多次大规模裁员，眼睛都不眨一下，两条路都不是 100% 安全。

关于薪酬的说明：RSU vs 股票期权

这一点我花了好长时间才理解，真是尴尬，所以我尽量帮你省去困惑。这里针对英国法律和税务。

RSU（限制性股票单位）（常见于大型科技公司），你按行权计划获得实际的公司股票。行权后，你可以卖出或持有。大约一半会立即卖出以支付所得税（因为，是的，当年我 23 岁第一次拿到 Meta 股票时完全震惊了……RSU 算作收入）。

股票期权（常见于初创公司），你得到的不是股票。你得到的是机会，以固定价格 X 买入股票，无论当时的市场价 Y 是多少。如果 Y > X，太好了！你可以行使期权，以 X 买入，以 Y 卖出，赚取差价。如果 Y < X，你的期权就一文不值。

接下来是疯狂的地方。股票期权通常在你离职后 90 天过期。如果公司还没有上市，你买入后无法卖出股票，这意味着你可能需要支付（X × 期权数量）的现金来行使期权，而且无法保证将来能卖出。在英国，行使期权的时刻，你需要为 Y−X 的差额缴纳所得税**，即使你一股都没卖，一分钱也没拿到。**

所以，如果你在初创公司工作两年后离职，行使期权，而公司尚未上市，你需要支付：购买股票的成本（X × 期权数量）加上账面收益的所得税（(Y−X) × 期权数量 × 你的税率）。而你分文未得。

几点说明：大多数公司提供无现金行使选项，即你退回部分期权以覆盖行使剩余期权的成本。许多公司也有流动性事件，会回购部分股票。但记住：每一轮新融资都会稀释你的股份，而超出已缴纳所得税部分的任何收益还需缴纳资本利得税（约 20%）。此外，流动性事件中你的股票估值通常低于公司官方估值。

**总结：**当招聘人员报出包含初创公司股权的总薪酬数字时，礼貌地微笑，并在心里大大打个折扣。最可能的情况是：你明年不会退休。但我祝你好运。

面试结构

大多数公司的结构大致相同，但各个阶段的权重差异很大。

**招聘人员筛选。**通常只是一场轻松、低风险的聊天。这是展示你的技能与职位相关，以及你确实了解并且能谈论自己论文的机会。

**技术面试。**这是流程的主体，也是准备最重要的部分。根据不同公司，预计会有 3-8 次这样的面试：

• *编程。*LeetCode 风格的问题，通常是 Medium 或 Hard 难度
• *机器学习编码和调试。*实现注意力机制、编写反向传播、发现训练循环中的 bug
• *机器学习知识。*基础、理论、应用机器学习、系统设计

**行为面试。**分为两种风格，经典行为问题（“告诉我一次你遇到冲突的经历”、“告诉我一次你收到反馈的经历”……），研究风格面试（“你感兴趣哪些方向？”、“你认为领域未来如何发展？”）。相比于技术面试更随意，但不要低估这些面试，要反思并准备好你的答案。

我如何准备：技术部分

这是关键部分！别跳过。我认识一些极其优秀的研究人员，他们仅仅因为没准备而在面试中被拒。日复一日地使用机器学习，并不等同于准备好从头实现注意力机制、推导反向传播或编码 Flash Attention。至少预留一个月的固定学习时间。

**一个对我有帮助的元策略：**我很少做通用准备。几乎所有准备都针对下一个具体的面试或公司。这让我保持专注，并确保被问到的问题在我脑中还很新鲜（对我这个金鱼记忆的人来说至关重要）。到最后，你自然会覆盖大部分内容。但我也知道有人更喜欢采用其他策略，所以做对你有用的就好！

在我面试之旅结束时，我已经建立了一个相当全面的资源和策略目录，下面分享给大家。我知道内容很多。但机器学习研究科学家/工程师面试的现实就是，你几乎可能被问到任何东西，从过拟合这样的基础概念，到 LeetCode，到从头实现 transformer，到关于相当现代架构（Griffin、TransformerXL、S4）的具体问题。这份列表反映了这个范围。

闪卡

用于机器学习基础、应用机器学习以及研究讨论。我先尝试了 Anki，但不太适应，纸质闪卡对我来说效果好得多。更重要的是，自己写卡片是学习的一半，不要只是下载别人的牌组。我会在最后附上我的完整主题列表，供你参考。复习时，要好奇：问自己问题，确保深入理解每个主题。学习过程中，我多次问了自己后来在面试中被问到的问题。最好提前解决疑问！

LLM 模拟面试（Claude / Gemini）

每次面试前，我会把角色描述、面试和公司信息粘贴到我当时最喜欢的 LLM（通常是 Claude）里，让它面试我。这些练习题和面试官实际问的问题之间竟然有频繁的重叠。我建议每次面试都这么做。如果感觉难度不对，开启新对话，更明确地说明你的水平和背景。我认为 Claude 是最好的学习型 LLM，它的反馈总体公平；Gemini 有点过于恭维（“他们很幸运能面试你”——引用 Gemini）。

LeetCode / NeetCode

至少做 Blind 75，可选择做 NeetCode 150，专注于 Medium 难度。争取每个问题都找到最优解，比如 Two Sum 的 O(N²) 解法不算数。不要在 Hard 问题上花太多时间。如果你以前没做过 LeetCode：一开始会感觉很糟，你会觉得自己很笨，这很正常，而且会过去。做到第 100 题时你会自信得多。只要确保掌握基本模式（DFS、BFS、图、回溯、DP、二分查找……），并且能自信且非常快速地实现出来。目标是每个 Medium 问题 20 分钟或更少。如果超过 15 分钟没思路，看答案，理解它，标记待复习，然后继续。广度比深度更重要！ 我总共做了大约 150 道 Medium 题。

书籍

• 《Designing Machine Learning Systems》 by Chip Huyen: 涵盖了大量你会遇到的基础和应用机器学习问题。做高亮和笔记。
• 《JAX Scaling Book》 (https://jax-ml.github.io/scaling-book/)：很不幸我是在面试后才发现这本书的，但它非常优秀，如果我当时看到会大量使用。
• 《Reinforcement Learning》 by Sutton & Barto：只在你刚接触强化学习时看。如果你已经在做这个方向，我认为有些过度。

课程

• 线性代数： Gilbert Strang 在 YouTube 上的讲座 (https://www.youtube.com/watch?v=7UJ4CFRGd-U&list=PLE7DDD91010BC51F8)。你可以用 2 倍速在一天内看完整个课程（我可能确实这么做过）。他是我当初本科唯一通过线性代数考试的原因。愿他再活 91 年。
• 扩散模型 / 流匹配： MIT (https://www.youtube.com/watch?v=9eJQQVrUUoI&list=PL57nT7tSGAAXwjhDYcxEycx5W7YoSrZyt) 和 Stanford (https://www.youtube.com/watch?v=tr-CUpw–ck&list=PLoROMvodv4rNdy8rt2rZ4T2xM0OjADnfu) 的课程都不错，但数学性很强。如果你不是积极研究这个领域，问题可能比较表层，所以只需获得高层直觉并记住基础知识（例如扩散 SDE 和流匹配 ODE）。

机器学习编码和调试

这是我觉得好资源最少的地方，也是最依赖实际经验的地方。调试面试尤其难练习，LLM 在被要求时无法可靠地生成看起来有错误代码。复习你自己的代码库（或者朋友的）可能是最好的办法。DeepML (https://www.deep-ml.com/problems) 有一些问题，但我不太满意。我还发现这些 Tensor Puzzles (https://github.com/srush/Tensor-Puzzles) 相当有帮助。你应该瞄准的基本目标：

• 端到端实现一个 transformer
• 实现因果注意力、交叉注意力和自注意力
• 实现 Flash Attention