今年走了 Bloomberg MLE loop。做 ML 8 年（NLP 背景，最近做 recsys），这种 loop 我经历过很多。Bloomberg 的很不一样，而且说实话比大多数更坦诚，所以我想认真写一写。
先说结论：Bloomberg 的 MLE 职位不是 research-adjacent。这是金融数据场景下的 applied ML。工作内容包括：从文本里抽取信息的模型（财报电话会、新闻、监管文件）、检测市场数据异常的模型、金融工具的分类系统。如果你想做 foundational model 或新架构，这里不适合。如果你想做有强可靠性要求、跑在生产金融数据 pipeline 里的 ML 系统，这里很合适。
Technical loop。三轮 technical： ML fundamentals。他们会问得很深。解释 bias-variance tradeoff 不是背定义，而是结合具体问题谈模型选择。什么时候用 gradient boosting，什么时候用 neural network，为什么。一个模型在 eval set 表现很好但上线很差，你怎么 debug。会聊 calibration。他们明显想要懂原理的人，不是只会调 sklearn fit 的人。 ML system design。设计一个面向金融工具的新闻情绪分类 pipeline。这是 Bloomberg 真正在做的产品。我需要考虑：数据收集和标注、模型选择（他们会追问你为什么这么选）、serving 架构、延迟要求、监控和 drift detection。监控这块被问了很多。 Coding。Python。不是纯算法，更偏数据处理和实现。有一道题本质上是：从零实现 logistic regression。numpy 要熟，数学要稳。
Behavioral。非常标准的 Bloomberg behavioral。事故复盘故事、ownership 故事。
他们没有让我从零实现 transformer，也没让我白板推 backprop。但他们会探你到底懂不懂 gradient descent，还是只会用。整体门槛更像是：senior applied ML engineer，而不是 research scientist。
offer comp：在 NYC 的一个 senior MLE 总包大概 240-265k，具体看你怎么切 equity。