我在 2026 年 Q1 走了 Samsung MLE 的 loop，目标是他们 on-device AI 团队（类似 Bixby、NPU 优化那一圈）。发出来是因为你能找到的大多数 Samsung ML 面经，要么是 research scientist 的，要么泛得离谱。
背景：8 年经验，主要做 NLP 和 recsys，现在更偏 inference optimization。
流程。 Recruiter screen，technical phone screen，然后 5 轮 virtual onsite（拆成两个半天）。其中一轮是 take-home，但如果 phone screen 表现好可以选择跳过。我跳过了。
Technical phone screen。45 分钟。第 1 部分：ML 基础。解释 bias-variance tradeoff、gradient descent 怎么找到 minimum、什么时候用 L1 vs L2 regularization 以及为什么。第 2 部分：一个简短的 Python coding，没什么算法味，更像「给你这个 NumPy array，算出 X」。他们在看你会不会写代码，不是看你背没背 LeetCode。
Onsite 第 1 轮（ML system design）。设计一个用于 Galaxy 设备 app 发现的推荐系统。我走了全栈：数据采集、feature engineering、candidate generation（two-tower model）、ranking model、serving infra、A/B testing 闭环。他们会强追 latency，因为 on-device 对他们很关键。如果 JD 里写了 on-device，就要讲 model quantization、INT8 inference、以及 TensorRT 或同类方案。
Onsite 第 2 轮（深技术）。我就是在这轮卡住的。他们要我手推 backprop，然后切到 transformer 架构细节。self-attention 的复杂度（随序列长度 O(n^2)）、怎么加速（sparse attention、linear attention），以及为什么 KV cache 对 inference 很重要。我其实都懂，但符号写法那块被搞慌了。进去前把这些刷新一下。
Onsite 第 3 轮（应用向 ML coding）。给你一个 dataset，用 PyTorch 写一个简单的 training loop。不复杂，但基础要非常熟：DataLoader、optimizer、loss.backward()、scheduler。他们不是在考你能不能造 GPT，而是在看你能不能写真实代码。
第 4、5 轮：Behavioral 和一轮和 director 的「vision」面。vision 面其实挺有意思。他们问我觉得 3 年后 ML 的格局会是什么样，尤其是 edge 和 on-device inference。要有真答案。
senior MLE 的 offer 大概是 $165k base + bonus。Equity 是 Samsung stock，不是 options。Total comp 还行，但不是 hyperscaler 水平。如果你就喜欢 NPU 方向，那工作内容确实挺有意思。