OpenAI 类研究岗面试题型

Alisa Liu 在原文中把面试大致分成七类：ML Coding、General Coding、Technical Discussion、Research Discussion、Behavioral、Math、Job Talk。她还强调一个很重要的观察：研究经历可能帮你拿到面试，但面试里技术能力和知识广度会被更频繁、更直接地考察。

1. ML Coding

这是她遇到最多的题型。题目可能要求你实现一个架构、一个 decoding 策略、一个传统 ML 算法，或者更开放的模型组件。

常见方向：

用 PyTorch 实现 Transformer block、attention、MLP、normalization。
实现 greedy decoding、temperature sampling、top-k、top-p、beam search。
写 loss、mask、batching、padding、KV cache。
用 NumPy 写简单 backward pass 或传统 ML 算法。
给一段模型代码找 bug，解释 shape 错误或训练不收敛原因。

准备标准：

PyTorch 必须熟。torch.matmul、einsum、view、reshape、transpose、permute、softmax、gather、scatter、masking 都要自然。
不要只会调用 nn.Transformer。面试更常考你能不能自己搭模块。
写完后能解释时间复杂度、显存开销、数值稳定性和 batch 维度。

2. General Coding

这类就是 LeetCode 风格题，有时会带一点 ML 背景。它不是研究岗的全部，但会出现在很多流程里。

高频基础：

数组、字符串、哈希表、双指针、滑动窗口。
栈、队列、堆、二分、排序。
树、图、BFS、DFS、拓扑排序。
动态规划的常见一维 / 二维模板。

为什么它对 ML coding 也有用：

beam search 需要堆和排序。
tokenizer / decoding 常涉及字符串和 trie。
batching、采样、过滤 logits 都要求你写清楚边界条件。
debug off-by-one 本质上还是基础 coding 能力。

3. Technical Discussion

这类不写代码，但技术密度很高。可能是一整场围绕一个研究问题设计实验，也可能是快速概念问答。

Alisa 原文里提到的 rapid-fire 示例包括：

positional information 有哪些编码方式？
什么是 5D parallelism？
PPO 和 GRPO 有什么区别？

准备时要覆盖两种能力：

深度讨论：能围绕一个问题提出实验设计、指标、对照组、可能结果和 follow-up。
广度问答：能用 30 到 90 秒讲清一个概念，不绕、不虚、不只背定义。

可以用这个回答结构：

先给一句定义。
说明它解决什么问题。
讲一个常见实现或公式。
对比相邻概念。
说一个局限或实践注意点。

4. Research Discussion

这是 PhD 最熟悉的一类，但也不能裸考。面试官通常会让你讲一个过去项目，然后围绕动机、方法、实验、结果、失败、后续方向追问。

准备重点：

每个核心项目准备 2 分钟、5 分钟、15 分钟三个版本。
不只讲做了什么，还要讲为什么这个问题重要。
准备至少 3 个 insight：你通过这个项目学到了什么，改变了什么判断。
准备失败和负结果：哪些方法没用，为什么没用。
能把自己的方向和目标公司方向连接起来。

研究讨论不是论文答辩的复读。工业 lab 更关心：你能不能找到重要问题，能不能快速验证，能不能在不确定条件下做判断，能不能和团队一起推进研究。

5. Behavioral

Alisa 特别提到，她第一次 behavioral 面试因为没准备而失败。这个提醒很珍贵，因为很多 PhD 会误以为 behavioral 很简单：我人不错，为什么还要准备？

真实问题是，behavioral 面试不是考你是不是好人，而是考你能不能在压力下迅速调出合适故事，并把故事讲成“可评估的证据”。

需要准备的故事类型：

和合作者意见不一致。
项目失败或方向 pivot。
时间压力下完成工作。
收到批评后如何改进。
说服他人接受你的研究判断。
处理 ambiguity。
对 AI safety、社会影响、部署风险的看法。

每个故事用 STAR 框架：

部分	内容
Situation	当时背景是什么
Task	你要解决什么问题
Action	你具体做了什么
Result	结果是什么，学到了什么

6. Math

有些公司会安排数学面试，范围从逻辑题到概率、线性代数、微积分推导。研究岗不一定每家都考，但准备成本相对可控。

建议复习：

概率：条件概率、贝叶斯、期望、方差、常见分布。
线性代数：矩阵乘法、特征值、SVD、投影、范数。
微积分：链式法则、梯度、Jacobian、Hessian、优化一阶/二阶条件。
信息论：entropy、cross entropy、KL divergence。
统计：MLE、bias/variance、confidence interval、hypothesis testing。

7. Job Talk

工业界 job talk 通常比学术 job talk 短，也更聚焦。Alisa 的 job talk 主要围绕 tokenizers，重点讲一个一作工作，再把二作和进行中工作串成一个方向。

准备原则：

只讲一个清晰主线，不要把 PhD 所有项目平均塞进去。
开头必须让非本方向研究员知道问题为什么重要。
中间讲关键技术和实验，不要陷入每个 ablation。
结尾给未来方向：如果加入这个 lab，你接下来会做什么。
每页 slide 都要能回答“这页证明了什么”。

面试题型优先级

如果准备时间有限，可以按风险排序：

优先级	题型	原因
最高	ML Coding	出现频率高，最容易暴露硬伤
最高	自己项目 Research Discussion	所有研究岗都会问
高	Technical Discussion	顶级 lab 很看知识广度和研究判断
高	General Coding	许多流程仍会考
中	Behavioral	容易被低估，失误成本高
中	Math	公司差异大，但基础可快速补
中	Job Talk	进入后期非常关键

1. ML Coding​

2. General Coding​

3. Technical Discussion​

4. Research Discussion​

5. Behavioral​

6. Math​

7. Job Talk​

面试题型优先级​