前几个月刚面完 tesla 的 ML engineer loop，是 autopilot perception team 的职位。把拆解分享一下。
先说背景：tesla 的 ML 面试跟大厂那种 FAANG 风格的 ML loop 明显不一样。他们更重应用层的 CV/perception 深度，反而没那么在意那种 Meta 或 Google 常见的「设计一个推荐系统」类泛题。
整个流程（senior level，约 5 年经验）： recruiter call：20 分钟，主要看 fit。他们一上来就很具体地问 computer vision 经验。 technical screen：45 分钟，一个 ML engineer。先让我讲一个项目，然后问了两个概念题：一个是检测模型里怎么处理 class imbalance，一个是 anchor-based 和 anchor-free object detectors 的取舍。这里没 coding。 onsite（线上，4 轮）：
第 1 轮 - coding：标准 LC medium。图遍历，跟 ML 无关。就是确认你能写代码。 第 2 轮 - ML fundamentals：深挖 loss functions、training loss diverge 会发生什么、batch norm vs layer norm 以及各自适用场景、解释 gradient checkpointing。感觉像研究生口试。基础要非常扎实。 第 3 轮 - ML system design：设计一个面向量产自动驾驶系统的 object detection pipeline。他们希望你讲清数据采集、规模化标注、模型架构选择、延迟约束（推理要实时）、failure modes，以及你怎么在真实世界里衡量成功而不是只看 benchmark 指标。这里最能拉开差距。我花了很多时间讲标注质量和 edge 推理的模型压缩，感觉效果不错。 第 4 轮 - behavioral：比较常规，更多是 tesla 的文化筛选：节奏、模糊性、强观点。
该怎么学： object detection 架构（YOLO 系列、DETR、RT-DETR，2026） 面向 edge 部署的模型量化和剪枝 data flywheel 概念，tesla 很吃这套 大规模分布式训练 至少读一篇 occupancy prediction 或 3D scene understanding 相关论文
你不需要有 autopilot 经验，但你需要能很清楚地讲出为什么实时推理约束重要，以及为了达成它你会做哪些 trade-off。