Meta 项目深挖：模型、数据、训练与工程范围

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

• 只用本人实际经历，明确自己的动作与团队共同成果；训练情境是回答结构示例，不是可以冒充的履历。
• 结果指标包含基线、观察窗和来源，区分相关变化与能归因于本人的效果。

解题路线

1. 先用一张口头数据流：用户/输入→处理/模型→服务输出→反馈；说明原始问题、baseline与上线边界，避免开场就列工具。
2. 数据讲来源/量级/时间窗/质量/权限/切分；模型讲输入输出、目标、替代方案和失败模式；工程讲接口、部署、资源、延迟与回滚。未做模型的项目按真实系统说明，不借用别人成果。
3. 说明团队人数与职责分工、自己的ownership和跨团队依赖。研究方向没有业务应用也可以解释科学问题、验证证据与适用边界，不编造落地客户。
4. 把结果证据放在同口径baseline对照上，区分离线指标与线上结果；若只有原型或实验，明确未上生产与未证实环节。

手动走一遍

练习情境：解释一个分类服务时，应能说数据怎样标、train/test如何隔离、为什么选该model、如何校准、服务失败怎么回退；“用某大模型所以很好”无法回应追问。

规模与取舍

先给约90秒主线，再按追问展开决策、技术细节、协作人数、时间跨度和结果证据。规模只填写真实用户/团队/数据量，敏感内容可脱敏；未知数字说明缺口，不编造提高比例。

易错点与追问

容易失分的边界

• 每轮追问都换话题，暴露对自己描述的系统不熟。
• 把训练loss下降当用户价值或上线准确率。

继续深挖

• 你设计的AI system解决了什么问题？先给任务与baseline，再谈AI为何必要。
• 模型/库替换时哪些合同不变、哪些必须重新验证？按输入输出、数据和资源说明。