完整题目
在技术面试的第二轮和第三轮中，面试官通常会针对候选人的实习项目深入追问哪些类型的技术实现细节？例如模型设计、数据处理、系统优化等方面。
二面三面的项目追问清单
目标与个人边界：为什么做、谁使用、成功指标是什么；本人写了哪些代码、做了哪些决策，团队提供了什么。
数据：来源与许可、样本单位、标签如何生成、去重与切分、防止用户/实体/时间泄漏、长尾和错误标注怎样处理。
模型：基线、候选方案、目标函数、结构和超参数；为什么选当前模型；消融能否证明某个模块有效；失败方案是什么。
训练与复现：框架版本、dtype、batch、学习率、随机种子、硬件、checkpoint、评测脚本和数值稳定性。
系统与部署：预处理一致性、服务拓扑、TTFT/TPOT 或 P95、吞吐、峰值内存、量化和并行、监控、回滚与故障处理。若采用依赖校准的 PTQ，需要说明代表性校准集；动态量化、QAT、显式 Q-DQ 或预量化权重等路径则要说明 scale 来源及是否需要数据。任何量化结论都应报告具体方法、权重与激活位宽、目标硬件、实际 kernel、质量回归和真实延迟。
结果与反思：离线和线上口径、置信区间、流量与观察窗口、失败切片、下一步。
量化比例、hard-negative 比例、事故、收益和个人动作只能在真实发生并有记录时填写。题目本身是在问面试官会追问什么，不应把清单扩写成候选人的虚假项目。
继续追问 · 3 个问题
- 如果让你重新做这个项目，你会在哪些方面做不同选择
- 这个方案的上限在哪里，如果要继续优化你会怎么做
- 项目中的某个具体技术难点，当时有没有尝试过其他方案，为什么最终选了现在这个
换一种问法，检查是否真正理解
场景切入
假设现在进入实习项目技术深挖，请从你真实参与的项目中选择一个，准备解释模型、数据、系统与评测中最关键的一次决策及其证据。
层层追问
你本人负责的边界是什么？……为什么选这个架构而不是基线？……数据怎样切分和防泄漏？……离线与线上不一致时如何定位？……数字如何回到实验或监控？
直球技术
请基于真实项目说明模型设计、数据处理、系统优化、效果评估、失败方案和个人贡献；所有指标给出口径与证据，不能补造项目细节。
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 核对目标、指标和个人贡献
- 深挖数据标签与泄漏
- 追问基线、消融和失败方案
- 检查训练复现与系统指标
- 确认结果口径、监控和复盘
【30秒速答】 二面三面通常沿项目证据链追问：目标和成功指标是什么，个人实际负责哪部分；数据从哪来、标签怎样生成、如何切分防泄漏；为什么选这个模型，基线、消融和失败方案是什么；训练配置能否复现；部署时延迟、吞吐、内存、量化和回滚怎样验证；结果的样本量、对照和观察窗口是什么。INT8 收益、hard-negative 比例和线上事故只有真实发生并有记录时才能回答，清单本身不能替候选人制造项目。
【90秒主答】 目标层会问用户是谁、原流程哪里失败、离线指标怎样对应业务，以及约束是延迟、成本还是安全。个人边界会被反复核对，常见问题是“哪段代码是你写的”“哪个决策由你做”“如果没有团队平台能否复现”。回答要区分个人交付、协作内容和团队共同结果。
数据层会追来源、许可、时间范围、样本单位、标签生成、标注一致性、去重和切分。面试官常用一个边界样本检查是否真的理解数据，例如同一用户是否跨训练测试，未来行为是否进入特征，hard negative 如何定义，采样后分布是否和线上一致。比例不能背模板，要说明从哪个候选池采、为何这样配、做过什么对照。
【完整展开】 模型层会从简单基线问起。为什么不用规则、线性模型或更小模型，新增模块解决哪个错误切片，消融是否只改变一个变量，目标函数与线上指标是否一致。若换成另一架构会怎样，复杂度、参数量和失败模式是什么。训练层会核对框架与版本、随机种子、精度、优化器、学习率、batch、梯度累积、checkpoint 和评测脚本，还可能要求现场推导损失或张量 shape。
系统层关注线上线下一致、模型格式、服务拓扑、队列、缓存、量化、并行、P95 延迟、吞吐和峰值内存。若采用依赖校准的 PTQ，需要说明代表性校准集；动态量化、QAT、显式 Q-DQ 或预量化权重等路径要说明 scale 的来源及是否需要数据。任何方案都要报告量化方法、权重/激活位宽、目标硬件、实际 kernel、质量回归和真实延迟，不能只说 INT8 一定更快。故障问题要说明监控怎样发现、影响范围、止损、根因和防复发；如果没经历事故，直接说明只做过演练。
结果层会追问分母、对照组、置信区间、流量、观察时间和是否全量。最后通常要求说出最大局限和下一步最小实验。准备方式不是记一篇漂亮故事，而是为每个关键数字建立证据索引，为每个架构选择准备基线与失败案例。这样无论追问落在模型、数据还是系统，都能回到真实记录。