我今年早些时候面了 Block 的 MLE 岗（payments/risk 团队，不是 bitcoin 那边）。最后接了 offer，但还是把流程写出来，因为网上几乎找不到这个团队的具体信息。
岗位背景： 团队做欺诈和风险模型。是强应用的 ML，很多 feature engineering 和上线运营复杂度，不是研究岗。如果你以为会聊一整天 transformers，那这个面试不对路。
phone screen（技术） 先是一道 coding：实现一个滑动窗口的特征计算（类似每个用户滚动 7 天的交易速度）。这其实是在暗示真实工作。然后一个概念 ML 题：「you have a model with 98% accuracy on historical fraud data. why might this be misleading?（你在历史欺诈数据上有个 98% accuracy 的模型，为什么这可能会误导？）」他们想听到：class imbalance、temporal leakage、distribution shift。三个都要讲。
onsite（5 轮） ML systems design： 设计一个实时欺诈评分系统。经典题，但他们会强压细节。feature store 怎么样？怎么做到低延迟服务（想想一次支付授权 sub-100ms）？模型需要重训和部署时，怎么做到不停机？我光服务层就讲了 15 分钟。 ML fundamentals： gradient boosting 深挖（XGBoost/LightGBM 内部机制）、高风险场景下 precision/recall 权衡、calibration。有个刁钻问题：「your model's AUC is high but it's miscalibrated on the high-velocity segment. what do you do?（你的模型 AUC 很高，但在 high-velocity 分群上校准很差。你会怎么做？）」要有真答案。 coding： 两道题。一道是 python 的特征转换流水线（要求干净高效）。第二道是做网络分析的图题（交易图，找可疑团簇）。不简单。 experimentation/analytics： 线上 A/B 测一个新模型版本。怎么处理“欺诈是对抗性问题”，导致 control/treatment 会互相污染？这题我被卡住了，答得不完整。 behavioral： 跨职能协作、线上模型故障处理、和业务方就模型风险阈值有分歧怎么处理。
comp（大概数字）： L5 对标，base 在 SF，大概 $210k，RSUs 当时 offer 估值大概 $300k，4 年 vest。对 SF 的 MLE 来说不算惊人，但考虑到工作复杂度还算可以。