AI方向研究生秋招面試全複盤：面了8家拿到3個offer

背景介紹

先說下我的情況：985本碩，本科數學，碩士方向是計算機視覺，做的是目標檢測相關的研究。秋招從9月投遞到12月簽三方，前後面了8家公司，最終拿到3個offer。整個過程跌宕起伏，有驚喜也有遺憾，今天完整複盤一下。

我的目標很明確：想做AI算法工程師，偏向CV方向，但也接受NLP和推薦方向。投遞的公司覆蓋了大廠AI Lab、AI獨角獸和自動駕駛公司。下面按時間線詳細複盤。

面試流程複盤

準備策略

我從7月開始準備，大概花了兩個月。準備分三個階段：

第一階段（7月）：刷八股+刷題。八股重點看機器學習基礎（SVM、隨機森林、XGBoost）、深度學習基礎（CNN、RNN、Transformer、優化器）、CV方向知識（目標檢測、圖像分割、GAN）。刷題每天3-5道LeetCode，重點刷Hot 100。

第二階段（8月）：項目複盤+論文準備。把自己的研究項目從頭到尾理了一遍，準備了3個版本的論文講述（1分鐘版、5分鐘版、15分鐘版）。同時開始看面經，了解各家面試風格。

第三階段（9月初）：模擬面試+查漏補缺。找學長做了3次模擬面試，發現了不少表達上的問題——比如講論文時太囉嗦，回答問題時不夠結構化。

字節跳動AI Lab（掛二面）

字節是我面的第一家，9月中旬。一面很順利，問的都是基礎：ResNet的結構和改進、Faster R-CNN的流程、YOLO和SSD的區別、Transformer的Self-Attention計算。代碼題是手寫NMS（非極大值抑制），我寫得比較快。面試官反饋不錯。

二面就翻車了。面試官問了一個開放題：如何設計一個實時目標檢測系統，要求在邊緣設備上運行？我當時沒有系統設計的框架，東一句西一句，沒有講清楚模型壓縮（量化、剪枝、蒸餾）的選擇邏輯，也沒講清楚部署pipeline。面試官追問了TensorRT的優化原理，我只知道概念，講不出細節。最後還問了一個行為題：「你遇到過最大的技術挑戰是什麼？」我講得太泛，沒有使用STAR法則。二面掛了。

阿里達摩院（offer）

阿里是9月底面的，流程比較長，但體驗不錯。一面問基礎+項目，重點問了Faster R-CNN的RPN原理、FPN的作用、以及我的研究項目中用到的數據增強策略。代碼題是手寫IoU計算，比較簡單。

二面是交叉面，問得更深。問了我對Vision Transformer的理解，ViT和CNN的區別，Swin Transformer的窗口注意力機制。還問了一個很有意思的問題：如果你的模型在線上效果變差了，你怎麼排查？我說了數據漂移、特徵分佈變化、標注質量下降幾個方向，面試官比較滿意。

三面是主管面，聊職業規劃和團隊方向，比較輕鬆。最後HR面談了薪資期望。整個過程大概3週，最終給了offer，P6級別。

騰訊AI Lab（掛三面）

騰訊的面試流程是我面過最長的，前後一個多月。一面二面都過了，一面問CV基礎，二面問項目+論文。三面是總監面，問了很多開放性的問題。

三面翻車的原因是：你覺得CV領域未來3年最重要的方向是什麼？我說了多模態和3D視覺，但講得不夠深入，沒有從技術趨勢和商業落地兩個角度分析。面試官又問了一個問題：如果你的研究方向和團隊方向不一致，你怎麼處理？我的回答太直了，說「我會調整自己的方向」，沒有體現出獨立思考的能力。三面掛了，很可惜。

百度AI（offer）

百度是10月面的，整體體驗中規中矩。一面問基礎，二面問項目+系統設計，三面是技術總監面。百度比較注重工程能力，二面問了一個系統設計題：設計一個圖像審核系統，要求實時處理百萬級圖片。我講了分佈式架構、模型服務、消息隊列、降級策略，面試官比較認可。

百度的面試風格比較務實，不太追前沿，更看重你的工程落地能力。最終給了offer，T5級別。

商湯科技（offer）

商湯是我最想去的公司之一，CV方向很強。一面問了很多CV前沿：DETR的原理和改進、SAM（Segment Anything）的架構、Diffusion Model在圖像生成中的應用。代碼題是手寫一個簡單的卷積操作。二面深挖論文，讓我詳細講我的研究工作，追問了實驗設計的合理性。三面是HR面，聊了薪資和團隊。

商湯的面試風格很學術，面試官都是研究員出身，問的問題很有深度。最終給了offer，薪資在CV方向算不錯的。

曠視科技（掛二面）

曠視二面掛了，原因是代碼題沒寫出來。面試官讓手寫一個簡單的Transformer Encoder Layer，包括Self-Attention + FFN + Residual + Layer Norm。我寫Self-Attention的時候矩陣維度搞混了，debug了半天沒調出來。這給我一個教訓：手寫ML算法一定要練到肌肉記憶。

蔚來自動駕駛（放棄）

蔚來給了面試機會，但我了解到他們的自動駕駛團隊偏工程，算法創新空間有限，而且base在上海郊區，通勤不方便。綜合考慮後放棄了面試。

小馬智行（掛一面）

小馬智行的一面問了很多3D視覺和點雲處理的問題，這塊我準備不足。比如BEV感知的原理、PointNet的架構、多傳感器融合的策略。一面就掛了，說明面試前一定要了解目標公司的技術方向。

面試節奏與心態管理

秋招最大的挑戰不是技術，是心態。我9月連掛兩家（字節、曠視）的時候，真的很焦慮，甚至懷疑自己是不是不適合做AI。後來調整了幾個方面：

第一，不要把雞蛋放在一個籃子裡。我同時投了8家，就算掛了幾家也還有機會。

第二，每次掛面後及時複盤。字節的二面掛了之後，我花了兩天專門練系統設計；曠視掛了之後，我花了一週手寫10個ML算法。

第三，保持節奏。每天固定時間刷題、看八股、準備項目，不要因為掛面就打亂節奏。

第四，找人傾訴。秋招期間和同學互相打氣很重要，別一個人扛著。

真題彙總

1. ResNet的結構和改進？殘差連接為什麼有效？

2. Faster R-CNN的RPN原理？Anchor的設計？

3. YOLO和SSD的區別？各代YOLO的改進？

4. Transformer的Self-Attention計算流程？

5. 手寫NMS（非極大值抑制）

6. 設計實時目標檢測系統（邊緣設備部署）

7. Vision Transformer和CNN的區別？

8. Swin Transformer的窗口注意力機制？

9. 模型在線上效果變差怎麼排查？

10. CV領域未來3年最重要的方向？

11. 手寫IoU計算

12. 設計圖像審核系統（百萬級實時處理）

13. DETR的原理和改進？

14. SAM（Segment Anything）的架構？

15. 手寫Transformer Encoder Layer

16. BEV感知的原理？PointNet的架構？

心得建議

1. 系統設計一定要準備：AI崗不再只問算法原理了，系統設計題越來越多。建議學一個框架（比如從需求分析到架構設計到trade-off分析），然後練3-5個典型題。

2. 手寫ML算法是硬功夫：NMS、IoU、Self-Attention、卷積操作、K-Means這些，一定要能手寫。不是看懂就行，要能在30分鐘內寫出來並跑通。

3. 論文講述要有結構：不要流水賬式地講，要按「問題-方法-創新點-實驗-局限」的結構來。準備1分鐘、5分鐘、15分鐘三個版本。

4. 了解目標公司的技術方向：面自動駕駛公司要準備3D視覺，面推薦公司要準備排序模型，面CV公司要準備前沿論文。盲目準備只會事倍功半。

5. 行為面試使用STAR法則：Situation-Task-Action-Result，每個故事按這個結構講，清晰又有說服力。

6. 心態決定成敗：秋招是馬拉松不是短跑，保持節奏、及時複盤、不要自我懷疑。

FAQ

Q：AI校招需要什麼學歷？
A：大廠AI Lab基本要求碩士起步，本科也能進但競爭更激烈。博士有優勢但不是必須。

Q：沒有頂會論文能進大廠AI Lab嗎？
A：能，但需要在其他方面有亮點，比如Kaggle金牌、開源項目、實習經歷。論文是加分項不是門檻。

Q：秋招什麼時候開始準備？
A：建議7月開始，8月完成基礎準備，9月投遞。提前批6-7月就開始了，關注目標公司的招聘動態。

Q：CV方向和NLP方向哪個更好就業？
A：2026年來看，NLP因為大模型的帶動，崗位更多。但CV在自動駕駛、工業檢測等領域需求也很旺盛。看個人興趣選擇。

Q：面試掛了能再投嗎？
A：大部分公司有冷凍期（3-6個月），過了冷凍期可以再投。秋招掛了春招還可以再試。