Sony 有几个不同的 ML 团队，面试体验会因为团队不同差别很大。我 2026 年初面的是 PlayStation 推荐团队的 ML engineer（大概是游戏发现、个性化）。分享一下我看到的情况。
recruiter 很坦诚地讲了团队的技术栈：他们用的是 pytorch 模型加上传统 collaborative filtering，部署在 GCP。工作内容确实很偏推荐系统，不是 LLM 微调或那种最热的方向。你想做 recsys 会很对口，你想做 gen-ai 可能会觉得不够刺激。
流程： recruiter screen（30 分钟）：背景、签证状态（他们 sponsor）、大概时间线。很快。 和 ML engineer 的 technical screen（60 分钟）：前 20 分钟是概率统计：条件概率、贝叶斯推理、bias/variance tradeoff。标准但是真材实料。后 30 分钟是一个推荐系统问题：给定稀疏交互数据和冷启动用户，你会怎么做推荐。我讲了 collaborative filtering vs content-based、怎么处理 cold-start、以及评估指标（NDCG、precision@k）。他们会对我的评估选择合理 pushback。最后 10 分钟是一道 Python coding 题，数据结构层面，很简单。 onsite（4 轮，virtual）： ML system design：从零设计一个 PS5 的个性化游戏推荐系统，包括数据 pipeline、特征工程、模型服务延迟约束。这轮 45 分钟，而且他们很深入地问 serving 侧，不只是建模。 coding：两道题，中等难度，都是 array/hash-map 模式。不是 ML 专项，就是常规 DSA。 ML depth：讲一个你在生产环境做过的模型。训练、评估、部署、监控全走一遍。我用的是之前工作里做过的 item-to-item similarity 模型。他们会追问我怎么检测 model drift，以及我多久 retrain 一次。 behavioral：两段故事。一段是没有职权的情况下怎么影响他人，另一段是一个你做过、后来后悔的技术决策。
总体：loop 很扎实，ML 侧技术深度很真实。关于 serving latency 的问题让我有点措手不及。如果你面他们的 recsys 团队，inference 优化基础要懂：batching、缓存、latency budget。