我在 2026 年 Q1 走完了 Twilio 的 MLE 全套流程。分享一下，因为 ML 面试在不同公司差异太大，而我进去前几乎没信号。
Twilio 不是那种像 Google Brain 或纯 AI lab 一样的「造模型」公司。他们的 ML 大多是应用型：fraud detection、SMS/voice 的 spam 过滤、通话质量预测、智能路由。这一点会强烈影响他们怎么面试。
Round 1：ML 基础。聊了分类模型、precision 和 recall 的取舍（对 spam 过滤非常相关）、如何处理类别不平衡、以及 feature engineering。覆盖得很扎实。没有 take-home，没有 Kaggle 那种题。
Round 2：ML system design。这轮最有意思。题目是：设计一个近实时检测欺诈 SMS 的 ML 系统。需要覆盖数据采集、特征 pipeline、模型选择、延迟约束、监控 model drift、以及如何 retrain。这轮很能拉开差距。你不能给教科书答案。延迟和规模约束（Twilio 量很大）让它变成一个真实的工程问题。
Round 3：Coding（Python）。一道算法题（数组/滑动窗口，中等难度），另一个偏数据处理：给一组 message delivery events 的数据集，计算一些聚合。比起纯 LC 更像应用型数据工作。
Round 4：Behavioral。其实有两轮，其中一轮是和 hiring manager。他们想知道我做过哪些端到端推动的 ML 项目、我怎么处理和产品在模型上线决策上的分歧、以及我怎么向非技术干系人解释模型效果。
这个岗位不要求深度学习。我几乎没怎么聊神经网络。更多是经典 ML 和务实工程。如果你是纯研究背景，可能会感觉挺不一样。
Bay Area 的 senior MLE offer base 在 $195k-$215k 区间。不错，但不是 hyperscaler 的数字。