大模型面试官视角：27届校招到底考什么（岗位地图+能力模型）

2026 年的秋招，几乎所有算法/研发岗的 JD 里都多了同一句话："有大模型相关经验优先"。对 27 届（2027 年毕业、2026 下半年集中招聘）的同学来说，这既是风口也是焦虑源——大家都在卷，但很少有人说清楚：面试官到底在考什么、你投的到底是个什么岗、以及该怎么准备才不瞎忙。

这篇文章不从"怎么背八股"讲起，而是站到面试官那一侧，把岗位地图、能力模型和准备路线一次讲透。看完你应该能回答三个问题：我适合哪类岗、我的短板在哪、接下来 90 天该啃哪块。

一、27届为什么"全员做大模型"

不是跟风。2024–2025 年大模型从demo走向生产，带来三类真实需求：

• 训练/微调侧：公司要训自己的行业模型、做 SFT/RLHF、做领域适配，缺会数据工程和分布式训练的人。
• 推理/部署侧：模型要上线服务千万用户，缺懂 KV Cache、vLLM、量化、吞吐优化的人。
• 应用侧：要把大模型塞进产品（客服、coding、搜索、办公），缺懂 RAG、Agent、Prompt 工程的人。

所以"大模型岗"不是一个岗，而是一棵树。投错枝干，准备方向就全错。

二、岗位地图：你到底在投什么

下面这张表是校招里最常见的五类岗位，职责和要求差异很大，准备策略完全不同：

| 岗位类型 | 核心职责 | 硬技能要求 | 软性要求 | 适合人群 | |---------|---------|-----------|---------|---------| | 算法研究岗 | 预训练、对齐、新架构探索 | 顶会论文、扎实数学、PyTorch 源码级 | 强创新、能啃英文文献 | 有科研/顶会经历的选手 | | 算法工程岗 | SFT/RLHF、数据管线、评测 | 分布式训练、DeepSpeed/Megatron | 工程严谨、能扛实验 | 工程强+懂模型的综合型 | | 推理优化岗 | 量化、推理框架、吞吐优化 | CUDA/算子集、vLLM/TensorRT | 极致的性能嗅觉 | 系统/底层背景的同学 | | 应用算法岗 | RAG、Agent、业务落地 | 检索、编排、Prompt、评估 | 业务理解、产品感 | 想做"能用起来的 AI" | | 平台开发岗 | 训练平台、推理服务、MLOps | Go/Java、K8s、高并发 | 稳定性意识 | 后端强、对 AI 有兴趣 |

关键结论：如果你的代码功底一般但有论文，冲研究岗；如果工程强但不想纯做业务，推理优化和平台开发是"大模型红利里最被低估"的方向，竞争比应用岗小很多。

三、面试官手里的能力模型

无论哪类岗，面试官打分基本围绕下面六个维度。这张表的"权重"是综合了多家公司校招反馈的经验值，不是绝对值，但能帮你排优先级：

| 维度 | 权重 | 主要考察方式 | 常见翻车点 | 准备建议 | |------|------|------------|-----------|---------| | 机器学习/深度学习基础 | 25% | 手推损失、讲清原理 | 只会调包不会推导 | 重推 Transformer/交叉熵/反向传播 | | 大模型专项 | 25% | 问架构、训练流程、痛点 | 把"听说过"当"懂" | 真跑通一次 SFT + 评测 | | 编码能力 | 20% | 白板手撕（常考 attention/树/DP） | 边界处理差、复杂度算错 | 每周 3 道硬核手撕 | | 工程实践 | 15% | 问项目细节、压测、排障 | 项目只写不调 | 给项目补压测和消融实验 | | 业务理解 | 10% | 问"为什么这么做" | 答不出业务价值 | 准备 3 个业务场景 | | 沟通表达 | 5% | 全程观察 | 讲不清自己的项目 | 练"30 秒说清项目" |

注意权重最高的两项（基础+专项）合计 50%，它们决定了你过不过技术面；编码决定你卡不卡在一面；工程和实践决定你薪资档位。

四、典型面试轮次拆解

校招大模型岗一般 4–6 轮，节奏如下：

1. 笔试：算法题 + 少量 ML 选择/简答，刷掉编码弱的人。
2. 技术一面（基础面）：Transformer、注意力、损失函数、Python 手撕。
3. 技术二面（深挖面）：围绕你的项目连环追问，直到你答不上来为止——这是最能拉开差距的一轮。
4. 技术三面（系统设计）：设计一个 RAG 系统 / 大模型网关 / 评测平台，看架构思维。
5. 主管/HR 面：动机、稳定性、沟通。

很多同学死在二面，原因就是项目是"跑通 demo"级别，被追问"你的评测集怎么造的、消融实验做了吗、线上延迟多少"就露馅。

五、一个被低估的加分项

面试官最想看到的，不是你"用过"多少框架，而是你能把一件大模型相关的事讲清楚：为什么选它、踩过什么坑、怎么验证它真的有效。这比背十篇八股值钱。

举个例子，别说"我用 LoRA 微调了模型"，要说："我用 QLoRA 在单张 24G 显卡上微调了 7B 模型，秩设 64、学习率 2e-4，在 500 条业务评测集上准确率从 61% 提到 78%，但发现长文本场景掉点，于是加了 2k 长度 SFT 数据才补齐。"——这就是"讲清楚"。

六、90 天准备路线

| 周次 | 重点 | 产出 | |------|------|------| | 第 1–3 周 | 补基础：手推 Transformer、注意力变体、损失函数 | 一页推导笔记 | | 第 4–6 周 | 跑通一个 mini 项目：SFT 一个 1.5B 模型 + 做评测 | 可复现实验报告 | | 第 7–9 周 | 深入一个方向（推理优化 / RAG / Agent 三选一） | 能讲清的项目 | | 第 10–12 周 | 手撕 + 系统设计 + 模拟面 | 3 轮模拟面记录 |

七、代码实例：用 numpy 手写 scaled dot-product attention

面试官常让你"口头讲完，写一下 attention"。下面这段代码小而完整，覆盖 QK^T、缩放、softmax、加权求和，面试现场能直接写：

import numpy as np

def scaled_dot_product_attention(Q, K, V):
    """
    Q, K, V: shape (seq_len, d_k)
    返回注意力输出和注意力权重
    """
    d_k = Q.shape[-1]
    # 1) 计算 QK^T 并缩放
    scores = Q @ K.T / np.sqrt(d_k)          # (seq_len, seq_len)
    # 2) 对每行做 softmax（最后一个轴）
    scores -= scores.max(axis=-1, keepdims=True)  # 数值稳定
    exps = np.exp(scores)
    attn = exps / exps.sum(axis=-1, keepdims=True)
    # 3) 加权求和
    output = attn @ V
    return output, attn

# 演示：3 个 token，每个 4 维
np.random.seed(0)
Q = np.random.randn(3, 4)
K = np.random.randn(3, 4)
V = np.random.randn(3, 4)
out, weights = scaled_dot_product_attention(Q, K, V)
print("输出形状:", out.shape)
print("注意力权重(每行和为1):")
print(weights.round(3))
print("行和:", weights.sum(axis=-1).round(3))

这段代码的价值不在于"能跑"，而在于你能边写边解释：为什么要除以 √d_k（防止点积过大把 softmax 推到梯度极小的区域）、为什么要数值稳定（减最大值）、注意力权重为什么每行和为 1。能把这三句讲顺，基础面就稳了。

八、总结

27届大模型校招的本质，是在"懂模型"和"能落地"之间找平衡。岗位分五类，准备策略不同；面试官按六维能力模型打分，基础和专项占一半；最难的是二面的项目深挖，靠的是真做过、真评测、真讲清。

别再问"大模型该怎么准备"这种大问题了。先对照第二节的岗位地图定方向，再按第六节的时间表执行 90 天，最后用第七节那种"能讲清原理的代码"去证明你不是背八股。方向对、项目真、表达清，这届你就能赢大多数人。