MiniMax求职进展汇总

被横向挂了，希望发出来对大家有帮助！1.OCR的原理2.PPO DPO对比、各自的原理、简单手搓、各自优势及常见应用的情况3.Transformer Self-Attention的公式和手搓，Multi-Head原理4.RAG基本步骤5.SQL增删查改操作在几种常见情况下的时间复杂度，基础存储方式【Agent经历拷打】1.Agent在不同客户的需求情况下、分别选用什么模型。常见情况： 做知识图谱、Chatbot、辅助企业生成可视化的数据或报表、智能客服和商品推荐等2.是否增加了pre-run判断 用什么模型和实现方式3.如何判断选用单一稳健强大的模型 ，还是说用多个轻量、侧重和优势点不同的小模型 应用在整个pipeline的不同节点中

先交代个人bg：26届北大计算机硕士，后端开发，已拿MiniMax转正Offer。闲来刷牛客发现了MiniMax的话题，也来凑个热闹，分享几点真实体验。关于技术成长：新人也能啃硬骨头入职第二周，mentor给我派了个活：海螺AI的流式输出在高峰期有延迟抖动，目标是P99延迟再降50ms。说实话当时有点懵，心想这不应该是他们干的活么？结果mentor直接拉我看Grafana大盘，拆解M2.5模型推理架构，让我自己找切入点。那一周基本在读代码、看论文、和infra团队过方案。后来我提了个想法：在网关层加自适应批处理策略，根据实时流量动态调整batch大小。mentor看完说思路可行，直接让我写代码上线试试。最后优化上线，高峰期P99延迟降了60ms。怎么说呢，工作确实很硬核，之前实习的时候这种活儿大概率轮不到新人碰。这边倒好，只要方案有数据支撑，没人会因为你是实习生就拦着。关于mentor：教的是怎么思考问题记得有次遇到状态同步的坑，mentor没直接给答案，而是从分布式系统的一致性模型开始推，让我自己琢磨结论。他的原话：不只是会写代码，要成为能设计系统的人。听起来比较简单，但对于校招生来说并没有这些意识，很多时候需要有这样的引路人指引方向，这可能比敲2000行代码都管用。团队里学习氛围也很好，算法专家、infra大牛都有，中午吃饭聊的都是最新论文、模型边界。这种环境待三个月，比自己闷头学一年来得快。关于地理位置还有个挺实际的，公司在海淀区蓟门一号，骑车十分钟到公司。中午甚至能溜回学校吃顿饭，下午再骑回来写代码。对于还在学校想找实习的同学来说，这种通勤体验确实香。大概就分享这么多吧，如果说对MiniMax观望的学弟学妹总结的话，我觉得是这样，如果你想找个地方写写CRUD混个实习经历，那这边可能不太合适，但如果你想碰点真东西、做的东西真能上线跑、愿意被推着往前走，这里确实是个还不错的选择。

1. 浏览器 CSS、JS、DOM 解析顺序• 解析顺序：HTML 解析生成 DOM → CSS 解析生成 CSSOM → 合成渲染树 → 渲染• 阻塞规则：CSS 不阻塞 DOM 解析，但阻塞 JS 执行；JS 阻塞 DOM 解析2. 表格相关• 表格缓存：内存/本地存储缓存数据、滚动位置、筛选状态• 首屏监控：用 Performance 监听 FP、FCP、LCP 等核心指标• 虚拟表格：只渲染可视区 DOM，用占位撑开高度，滚动时动态替换内容• 表格选型：简单用原生；大数据用虚拟表格；复杂用 AntD/AgGrid3. 前端安全• XSS：转义、CSP、HttpOnly• CSRF：Token、SameSite Cookie• 点击劫持：X-Frame-Options• 资源校验：SRI4. Tree-Shaking 原理• 基于 ES6 模块静态分析，打包时删除未引用代码，生产模式生效，不支持 CommonJS5. React 与 Vue 区别• React：不可变数据、JSX、手动更新、全量 Diff• Vue：响应式代理、模板、自动更新、精准追踪更新6. 微前端隔离（快照 vs Proxy）• 快照：保存/恢复全局变量，实现简单，性能差• Proxy：代理 window 实现沙箱，隔离好、性能高，兼容略差7. 部署与回滚• 部署：打包 → 上传静态资源 → Nginx 配置• 回滚：切换至历史版本/重新部署上一版包8. WebWorker• 作用：开辟独立线程，处理耗时计算，不阻塞主线程• API：new Worker()、postMessage、onmessage、terminate()9. AI 语音对话实现1. 前端获取麦克风音频2. ASR 转文字3. 发送大模型获取回答4. TTS 转语音5. 前端播放10. JWT 双 Token• AccessToken：短效，接口鉴权• RefreshToken：长效，刷新用• 流程：AT 过期 → 用 RT 换新 AT → RT 过期重新登录11. MiniMax 了解• 国内 AGI 大模型公司，提供文本、语音、多模态AI 能力，低延迟、端侧优化

给我面没招了，发点面经攒攒人品～1.实习拷打2.你们有没有遇到 Agent 之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？3.你们为什么选择“技术方案驱动”，而不是直接让 AI 从 PRD 出码？4.你们 .catpaw/rules 这套知识库，和像 OpenClaw 这种基于 RAG 的 memory，有什么区别？5.如果知识库内容过多，AI 也会有上下文压力，你们是怎么做裁剪或者命中的？6.你们有没有做 embedding 检索？7.如果知识库里的内容是错的或者过期了，会不会对 AI 产生误导？你们怎么治理这个问题？8.在一个非常大的存量项目里（比如几十万行代码），你们是怎么让 AI 快速理解项目结构的？9.你们现在 AI 出码留用率是 50%+，那剩下 50% 主要问题出在哪里？10.在复杂业务场景下，AI 出码质量下降，你觉得是什么问题？11.AI 有没有出现过“看起来对，但其实逻辑是错的”这种情况？12.你们有没有做过代码 diff 级别的控制，比如限制 AI 修改范围？13.你们基于 Playwright 做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？

1、自我介绍2、项目：a.讲一个最熟悉的 Agent/RAG 项目b.项目中数据处理的难点 & 怎么解决的3、技术基础：a.大模型基础：Transformer 架构、注意力机制原理b. Agent 核心概念：规划、工具调用、记忆模块、反思机制c. RAG 全流程：文档清洗、切片策略、向量化模型、检索召回、重排序d. 向量数据库：FAISS/Milvus 原理、索引类型、性能优化e. 数据标注规范：怎么保证标注质量、数据清洗方法4、算法：a.数据召回率、精确率评估，怎么优化召回效果b.如何处理 Agent 工具调用的错误数据（数据校验、异常兜底）5、AI 业务理解：怎么提升 Agent 的回复准确性； 如何构建高质量的 Agent 训练 / 微调数据；对 MiniMax Agent 产品的理解 & 优化建议。

刚好晚上吃饭的时候闲来无事，随笔记录一下来MiniMax实习3个月的真实感受，给正在看机会的兄弟们一些参考：关于技术氛围：怎么说呢，这边确实能接触到比较核心的东西，而且有着大厂没有的“高速”，比如我第二周就开始跟着调优M2.5的代码了。记得当时在做模型“自我修正”能力的优化，我提了个想法：能不能让模型遇到编译报错时，模拟编译器思路走一圈？mentor听了没含糊其辞的让我只关注他安排的工作，而是直接说“你做个Demo试试”。然后我就去做了，最后效果还行就被采纳了，说实话很有成就感。之前在别的地方面试时，很多面试官画的饼比这大多了，但来了之后发现根本碰不到核心业务。这边至少让你真动手，不只是听概念。关于Mentorship：我的mentor人挺实在的，但是指导方式.....emmm怎么形容呢，不是那种手把手教的类型，应该算是引导型？分享一下我们的日常给大家感受一下，有次我为了赶一个Agent工具调用的demo，写了一堆if-else，自己都知道写得烂。Code Review时他没直接说我代码写的烂（虽然是事实），而是跟我聊：“咱现在写的每行代码，以后都可能变成M2.6甚至M3.0的训练语料。”然后他花了一下午重构了代码，引入工厂模式，还顺便给我讲了讲大模型底层MoE路由的原理。刚开始我觉得重构挺浪费时间的，但后来想想确实帮我理解了“为什么这么写”比“怎么写”更重要，算是被带着上了一课。关于工作方式：这边节奏不算轻松，但卷的方向比较明确。API额度确实不设限，但我发现也没人真去“刷”ArXiv……主要还是先把分配的活干完。干完了可以自由安排时间，去看论文、琢磨优化都可以。同事之间氛围还行，有问题直接问，不用绕来绕去。扁平化这个点虽然被说烂了，但确实不用天天写周报（感动）。总结：在MiniMax这里，整体感觉就是：你做的事能被看见，想法能被试，愿意学也能学到东西。对想踏实做点事的同学来说，是个不错的地方。今天就分享到这里了，继续肝大模型去了。

感觉有点拷打1.如何维护多异步任务下上下文窗口不被污染，2.rag流程3.mcp和tool区别4.redis的单线程模型5.https的握手流程6.手撕：课程表

继续来分享下之前的面经~欢迎友好讨论，信息共享1、实习拷打2、项目拷打3、八股a.go相关，协程，GMP调度，以及协程和线程的区别b.go协程泄露什么情况下会发生c.go的内存模型，mcache、mspan、mheap这三，以及为什么要分级d.MySql事务及其实现,e.MySql索引、树，MVCC，索引覆盖

1. 自我介绍2. 上一段实习主要做了哪些业务？3. Agent Benchmark方面主要是针对通用Agent还是垂类agent？4. 请说一下在benchmark开发过程中，印象比较深得是哪一个benchmark，背景是啥，难点有哪些，学到了什么？5. 如果需要你做一个多模态的agent benchmark框架，你会如何实现？6. Python中哪些类型是不可变类型？7.python中的进程和线程有什么区别？8. 用过装饰器，迭代器，生成器嘛，讲一下9. OSI模型结构10. TCP/IP在哪一层11. TCP/UDP有什么区别？12. 代码题:  Z字形排列 leetcode中等难度题13. 反问14. 还有几个问题我忘记了。。。。体验：1. 网络不太好所以体验可能不是很好2. 回答不太好的地方：1. 生成器 迭代器 装饰器，我说的不是很细致 ，重点说了装饰器，另外两个一笔带过了就，当然也只是AI辅助下用过2. OSI模型结构，自下而上回答的，中间有顺序说反了3. TCP/IP回答是在传输层，应该分开答的，TCP传输层IP网络层，当时只回答了传输层。。。3. 代码题：只有一两个测试数据，难度leetcode中等题目，网络不太好线上IDE加载不出来，随便说了说思路，但是这题之前看leetcode没刷到过，第一次看有点懵逼找了半天Z形。。。。总结：1. 基础知识八股文要背的呀，之前从来没背过，虽然很多知识看一遍就能记起来，但是还是要多少看一下的2. 最近几次面试感觉比较喜欢考中等难度的这种非算法题，是让你找规律的这种题，不像著名的滑动窗口或者动态规划这一类的，感觉这种题找规律或者说去拼很花时间3. 整体还好吧，上次实习时间过去比较久了而且当时没有在自己电脑写实习记录导致很多细节都忘记了，回答的比较笼统，所以再实习还是做好记录吧

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.介绍你熟悉的大模型架构3.为什么 MoE 架构能在参数规模继续扩大的情况下保持训练效率？4.MoE 的路由机制是怎么工作的？为什么会出现专家负载不均的问题？5.如果专家利用率很低，你会怎么优化路由策略？6.SFT 和 RLHF 在训练目标上有什么本质区别？为什么很多模型在 SFT 后仍然需要 RLHF？7.RLHF 中 PPO 的核心优化目标是什么？写出 PPO 的目标函数，并解释每一项的意义。8.手撕：实现 滑动窗口最大值

从输入一个Url到页面渲染的过程首屏优化方案Qiankun沙箱机制什么情况下会造成重排重绘V3响应式机制浏览器缓存vite热更新vite为什么快ref reactive区别nestjs依赖注入手写深拷贝买卖股票最佳时机

27届计科 当时在字节搜广推、量化和MINIMAX推理中选了MINIMAX。实习这几个月学到了很多东西，经历了公司的上市，认识了许多的竞赛界有名的前辈，受益匪浅。现在因为学校不可抗力需要结束实习了，期待以后再见！！

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打2.冷启动怎么做的，具体场景，排序和召回里怎么做3.多路召回怎么合并，考虑有评分和没有评分的怎么合并4.负样本采样，随机采样会有什么影响，用batch采样呢，应该怎么做5.特征怎么做的，最重要的特征是什么，怎么衡量特征的重要性6.比较下树模型和深度学习模型，哪个效果好，为什么7.介绍下NDCG和auc8.树模型的评估指标，信息熵，信息增益怎么算的，基尼系数怎么算的，物理含义，为什么用基尼系数，不用信息增益9.手撕auc

秋招差不多收尾了，目前主要在几个offer之间纠结，想请大家帮忙看看，给点建议。MiniMax，走的是Top Talent人才计划，基模团队。面试官很懂技术（特别是yize大佬和pengyu大佬），很专业，真的很牛逼......整个面试体验应该是面的公司里面最好的（就一面的代码挺拷打的）。平时逛reddit和l站，adao大佬和pengyu大佬感觉人也很nice，应该是一个很技术的团队（ps：m2/m2.1实测不错，已经买coding plan了）。还有一个点是本科室友在这边转正了，和我说了不少的好话hh。腾讯元宝，后训练方向。面试体验也很不错。但我看到有老哥提到内部有点乱，还赛马（虽然好像赛...

一、自我介绍二、项目：1.秒杀怎么做的2.项目没多问，可能不感兴趣三、八股：1.Go 相关：协程、GMP 调度，协程和线程的区别；Go 协程泄漏什么情况会发生2.MySQL 事务及实现：MySQL 索引、树、MVCC、索引覆盖，最左匹配原则，索引失效3.进程和线程区别，虚拟内存相关，RocketMQ相关四、算法：K 个一组反转链表五、AI 相关：RAG 是什么意思、主要流程；Skill 的工作模式

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.介绍实习和论文2.介绍你熟悉的大模型架构追问：两者在注意力结构、训练策略和推理优化上的主要差异。3.为什么 MoE 架构能在参数规模继续扩大的情况下保持训练效率？4.MoE 的路由机制是怎么工作的？为什么会出现专家负载不均的问题？5.如果专家利用率很低，你会怎么优化路由策略？6.SFT 和 RLHF 在训练目标上有什么本质区别？为什么很多模型在 SFT 后仍然需要 RLHF？7.RLHF 中 PPO 的核心优化目标是什么？写出 PPO 的目标函数，并解释每一项的意义。8.手撕：实现 K 个有序数组的中位数

发点面经攒攒人品～1.项目拷打2.训练数据是如何构造的？如何做数据清洗、去重和质量控制？3.RLHF 的完整流程是什么？4.如果只使用 SFT，会带来哪些问题？5.在 RLHF 中奖励模型的训练数据是怎么构造的？6.如何避免奖励模型被策略模型“欺骗”？7.你怎么看当前大模型在对齐、安全和成本上的挑战？8.手撕：实现 区间第 k 小查询支持多次查询，要求接近 O(log n)

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.介绍实习项目时，重点讲你解决过最困难的问题以及最终的优化效果。2.你在训练大模型时用过哪些分布式训练方案？数据并行、模型并行、流水并行的区别是什么？3.DeepSpeed 的 ZeRO-1 / ZeRO-2 / ZeRO-3 的核心差异是什么？4.如果训练一个 70B 模型，如何估算单卡显存占用？5.除了 ZeRO，你还了解哪些训练优化方法？6.LoRA 的原理是什么？为什么低秩分解可以减少训练参数？7.LoRA 中矩阵 A 和 B 为什么通常采用不同初始化方式？8.手撕：实现 滑动窗口最大值