很多人以为 MLE 面试主要考模型和调参，面完 NVIDIA 之后最大的感受是：这家更关注底层原理、系统能力和性能优化。Recruiter 在开场沟通时就把话挑明了——他们要看的是候选人有没有高效编程和定位性能问题的能力。五轮走完，把每轮的题目和考点完整记下来。
NVIDIA MLE 流程概览
NVIDIA 的 NG 招聘是按 New College Graduate 项目 分方向招的，可以详细看下。
整个流程 4-5 轮，不同团队侧重点有差异，但 ML 基础、GPU 相关知识和工程落地能力贯穿始终。我的五轮构成：Coding + ML 基础 → CUDA 与 GPU 性能 → ML System Design → Deep Learning Optimization → Behavioral。
第一轮：Coding + ML Fundamentals
开场就不按常理出牌——不是常规算法题，而是要求用 NumPy 手写 Multi-Head Attention 的 forward process。QKV 投影、按头拆分、scaled dot-product、softmax、拼接输出，每一步的矩阵维度变换都要清清楚楚，写的过程面试官会随时问某一步的 shape 是多少、为什么要除以根号 d_k。
ML 基础问答围绕这几块：L1 与 L2 正则化的区别、Dropout 的作用机制、Batch Normalization 在训练和推理阶段的区别。都是经典八股，但追问会到原理层——比如 BN 推理时用的 running statistics 是怎么维护的，答”背过的结论”不够，要能推。
第二轮：CUDA 与 GPU Performance
NVIDIA 的特色环节，别家基本不考。
面试官给一个性能较差的 CUDA kernel，让你逐步优化。考点是那些经典的性能杀手：memory coalescing 没做好、shared memory 没用上、bank conflict、warp divergence、occupancy 不足。优化不是一步到位，而是你说一步、他问为什么、改完再看还有什么可挤的。
有些团队还会结合 profiling 工具，让你分析 kernel stall 的原因——给你 Nsight 的输出，问瓶颈在访存还是计算、stall 的主要来源是什么。没有实际写过和调过 CUDA 的人，这轮基本裸奔。另外这轮偶尔会穿插双蛋问题、称球这类逻辑题，对 problem solving 的要求很高，节奏也快。
第三轮：ML System Design
系统设计偏真实生产环境，我的题目是：设计一个服务千万级用户的推荐模型推理平台。
主体设计讲完（模型服务化、动态 batching、多级缓存、GPU 集群调度），后面跟着一串运维场景题：模型热更新怎么避免服务中断？GPU utilization 突然下降怎么排查？推理链路的性能瓶颈怎么定位？
这部分考的是真实的工程经验和排障思路——热更新讲双 buffer 或影子部署、灰度切流；utilization 下降从数据供给、batch 凑批、CPU 预处理瓶颈、显存碎片这些方向逐层排；链路瓶颈用 profiling 分段计时定位。没碰过线上推理服务的话，建议提前把 Triton Inference Server 的文档过一遍，很多设计点直接对得上。
第四轮：Deep Learning Optimization
这轮围绕简历项目展开。我的项目涉及分布式训练，面试官顺着往下挖：数据并行和模型并行怎么选、通信开销怎么压、混合精度训练里 loss scaling 为什么需要、梯度累积对吞吐的影响。
讨论重点不只是算法本身，还包括训练效率、硬件资源利用率和实际吞吐表现——他们想听到具体数字：你的 GPU 利用率是多少、优化前后吞吐提升了几倍、瓶颈是怎么定位的。简历上写了分布式或混合精度的，这些数据一定提前备好，说不出数字等于白写。
技术栈上建议把 PyTorch 的高级特性过一遍，GEMM 加速、内存架构这些底层逻辑他们不仅看你会不会用，更看你懂不懂为什么快。
第五轮：Behavioral + Team Fit
最后一轮由 Engineering Manager 或团队负责人来面。相比传统 BQ，更关注真实工程环境里的协作能力：跨团队怎么推进、和别人技术分歧怎么处理、线上事故怎么复盘。
多轮面谈全程都会抠简历项目的细节，BQ 建议提前调研 NVIDIA 的文化和价值观，用 STAR 法则组织故事。这家非常看重 culture fit，技术再好价值观不契合也白搭。
FAQ
Q：不会 CUDA 能过 NVIDIA MLE 吗？
看团队。有些偏算法的组会把 CUDA 轮换成更多的 ML system 内容，但 GPU 架构的基本理解（内存层级、warp、为什么 GEMM 快）是所有组的底线。JD 里写了 CUDA 的组，这轮必考，绕不开。
Q：手写 attention 允许用 PyTorch 吗？
我这场明确要求 NumPy，意图很明显——不让 autograd 和现成模块帮你藏细节。矩阵维度、mask 的位置、softmax 沿哪个轴，全要自己对。练的时候直接按 NumPy 练。
Q：逻辑题（双蛋、称球）出现概率高吗？
不是每轮必有，但确实有团队穿插着考，主要看 problem solving 的现场反应。经典的十来道过一遍思路即可，不值得投入太多时间。
Q：BQ 权重高吗，会不会像亚麻那样按条打分？
没有亚麻 LP 那种明确的打分框架，但 culture fit 的一票否决是真实存在的，尤其 EM 轮。提前调研下 NVIDIA 的文化关键词，故事往协作和 ownership 上靠。
Q：五轮周期多长，压力大吗？
我的情况是两周内排完五轮，节奏偏快。强度上第二、四轮最耗神，都是被连环追问的轮次，中间留出消化和复盘的时间很重要。
写在最后
NVIDIA 的 MLE 面试说到底就是在确认一件事：你懂不懂模型底下那一层。GPU 架构、CUDA、分布式、性能调优、排障，这五样都得拿得出手，才是他们要的 MLE。光懂模型，只能算刚够格进门。
我的 CUDA 那轮能稳住，很大程度靠面前在 InterviewShow 做的两次 mock——他们 MLE 专题里的 kernel 优化题和真场的挤牙膏式追问几乎一个模子，被虐过两次之后真场反而没那么慌了。北美 MLE 这条线他们覆盖得比较全，VO,OA辅助都有。