两个月前走完了 MLE loop。我在不同 lab 里也面过很多次，OpenAI 的很不一样。不是坏，只是差异够大，泛泛的 MLE 准备可能不够。
整体：4-5 轮技术加 behavioral。组合会因 team 不同而变，但我瞄准的 team（偏 training infra 周边）是：coding（2 轮）、ML fundamentals 深挖、带 ML 味道的 systems design、以及一轮 research understanding。
Coding：哪怕你 ML 很强也别低估。他们考标准算法题。每轮两道 medium，重点看代码干净、思路扎实。树、图、滑动窗口这些都要复习。老三样。
ML fundamentals：这是最能把 OpenAI 和大多数 MLE loop 拉开差距的一轮。他们会挖很深。Transformer 架构细节、attention 机制、你怎么解释具体 failure mode、训练不稳定以及成因、对 loss landscape 的直觉。如果你的 ML 主要是用 HuggingFace API 调一调就结束，这轮会很吃力。他们想要你真的理解发生了什么。
Systems design（ML flavor）：我那轮是设计一个大规模 model serving 系统。latency vs throughput 的权衡、batching 策略、quantization、以及线上如何处理 distribution shift。非常实战。
Research understanding：我没想到会有这轮，但他们让我讲一篇最近觉得有意思的 paper，说明核心贡献，并讨论局限性。选你真正理解的，不要选看起来很厉害但自己不熟的。他们追问比我预期更深。
Values：这个很重要。要能实质性地聊 AI safety。不是表演式，而是认真对话。
我知道有些人觉得 OpenAI 宣称的 safety mission 和他们部署节奏有张力。我有比较细腻的观点，也说了。他们似乎能接受坦诚。
Comp：在 SF 的 senior MLE，我看到的数字非常有竞争力。RSUs 或 phantom equity，取决于结构。谈判前一定要搞清楚 OpenAI 的 equity 到底怎么运作。