在 SpaceX 的 MLE 面试结束了。发出来是因为不同公司的 ML 面试差异很大，而 SpaceX 属于比较特别的那种。
先说重点：SpaceX 做的是 applied ML，不是 research ML。如果你是 NLP 或 LLM 方向出身，预计会被问的是你怎么把模型放进生产工程场景里应用，而不是 fine-tuning 或架构新花样。这个组织在意的是你的模型在真实系统里能不能稳定工作，而不是在 benchmark 上是不是 SOTA。
面试轮次：
Coding screen：标准 medium 难度算法题。没有 ML 相关。他们就是要确认你能写代码。Python，比较直接。
ML system design：这才是重头戏。我被要求设计一个针对时间序列传感器数据的 anomaly detection 系统。开放题。他们希望我讲清楚：数据 pipeline 设计、feature engineering 思路、选模型的理由、怎么评估、以及如何处理随时间变化的 concept drift。“如何处理 concept drift” 这块被盯得很紧。他们会深挖监控和再训练策略。
ML depth interview：更偏技术深度。问了 tabular 数据上 gradient boosting 和 deep learning 的取舍（要有真实观点，别打太极）、各类 regularization 技术以及它们分别在什么时候关键、以及一个模型 offline eval 表现很好但线上很差你会怎么排查。
Behavioral：常规。准备一些在约束下交付、处理脏数据、向利益相关方传达不确定性的故事。
他们没问的： LLM、transformers、任何 NLP。没有 graph neural networks。没有 RL（有点意外）。整体是很偏 applied、任务关键的系统场景。
准备建议：时间序列建模、anomaly detection 方法（统计和 ML）、以及生产级 ML 系统要很熟。要分得清“能跑的模型”和“在安全关键环境里你敢信的模型”。在 SpaceX 这个 framing 很重要。