话说有人面过女大吗

nvda面试需掌握CUDA，组招形式多变，靠平时积累

1. 关键信息

• 面试时长与团队：#1 提到 90 分钟的 database team 面试，未知具体内容。
• 面试频率：#2、#3 表示发帖者面试频繁且自认水平不足。
• 面试形式：#4 说明女大（FAANG）多为组面，缺乏固定模式，需靠平时积累；#25 补充 nvda（NVIDIA）组招基本只放 1 个 HC，NG SWE 面试共 2+4 轮（含 system design 和 LC 算法），HR 会提前发 PDF 说明每轮内容；#30 称面了 5 轮，每轮形式和内容差异很大；#36 进一步强调每个组都带来 surprise，第一轮可能是 LC round，也可能直接讨论服务或 system design，或 HM 面试但 JD 与实际工作不符，建议放平心态、靠平时积累、搞懂对方业务。
• 技术深度：#5、#15 例举面试中被问到的深度技术，如 PyTorch 自动微分实现、手写 condition variable。
• 面试答复：#6 回答“计算图”。
• 面试误解：#7 把“面基”误以为是线下聚会。
• 招聘偏好：#8、#17、#22 讨论白人女性（white female）在 2019‑2020 年的招聘优势及后期变化。
• HR 交流：#10、#16 提到先与 HM（Hiring Manager）沟通的流程较好。
• 地区差异：#11、#18、#22 提到 SCU、SJSU、Santa Clara、San Jose 等校与地区的招聘情况。
• 面试轮数：#20 有人面了 11 轮。
• 历史面试案例：#31 提到 2014 年面过 design vending machine（自动售货机设计）并挂掉；#33 确认挂掉。
• 其他求职话题：#23 询问是否有人面过美联储。
• 时代红利讨论：#26 指出每个时代有红利，如今 Anthropic 可能是未来十年最好进的一年；#28 表示 Anthropic 估值已超 Meta；#29 认为 Anthropic 产品经理很厉害，OpenAI 也打不过。
• 技术栈要求：#34 询问 nvda 是否需要 CUDA，并计划刷 leetGPU 作为准备；#35 回复“看你組是做啥的…”，暗示 CUDA 需求因组而异。
• 互动：#12、#13、#14、#24 表示想开教学或细说，未展开；#37 对 #36 的总结表示感谢。

2. 羊毛/优惠信息

无

3. 最新动态

• 新增 nvda 组招细节：NG 2+4 轮（含 system design 和 LC 算法），HR 提供 PDF 说明，且通常仅 1 个 HC（#25）。
• 有用户分享历史面试经历：2014 年面 design vending machine（#31），被评价为 ECE101 级别但依然挂掉（#32、#33）。
• 讨论 Anthropic 作为当前红利期公司，估值超 Meta，招聘可能相对容易（#26、#28、#29）。
• 有用户询问 nvda 是否必须会 CUDA，并计划通过刷 leetGPU 准备（#34）；#35 指出取决于组。
• #36 详细补充面试形式多变：第一轮可能是 LC round，也可能直接讨论服务或 system design，或 HM 面试但 JD 与实际工作不符，建议放平心态、靠平时积累、搞懂对方业务。
• 仍有求职者期望进大厂（#27）。

4. 争议或不同意见

• 对 “女大” 招聘难易的看法分歧：#8 认为白人女性经理面试几乎必挂，#10 则称另一组经理面试流程正常。
• 对地区招聘优势的描述存在争议：#11、#18 对 SCU、川大等学校的就业情况持不同看法。
• 对面试准备方式的意见不同：#4 强调平时积累，#12‑#14 有人希望系统教学；#36 进一步强调放平心态、靠平时积累，并指出准备方向可能因组而异。
• 对历史面试难度看法不同：#31 称 design vending machine 挂了，#32 认为是最简单的题目，引发对题目难易的争议。
• 对 nvda 技术栈要求存在疑问：#34 询问是否必须会 CUDA，#35 回复“看你組是做啥的”，暗示因组而异，未形成统一意见。

5. 行动建议

1. 整理面试题库：收集 #5、#15 及新增 #31（design vending machine）中的深度技术问题，形成专题文档供求职者复习。
2. 建立经验分享渠道：针对想开教学的用户（#12、#24），组织线上 AMA 或经验分享会，可邀请有 nvda 面试经历者详解 2+4 轮流程及 #36 中提到的多变形式。
3. 关注地区招聘趋势：定期更新 SCU、SJSU、Santa Clara 等高校的招聘数据，帮助求职者定位目标。
4. 强化 HR 沟通技巧：参考 #10、#16 的正面案例以及 #25 中 nvda HR 提供 PDF 的公开信息，提供与 HM 交流的最佳实践指南；同时提醒求职者注意 #36 中 JD 与实际工作可能不符的情况，建议主动向 HR 或 HM 确认组内实际业务。
5. 监测招聘偏好变化：持续关注招聘方对 “白人女性” 等群体的偏好波动，同时留意 Anthropic 等新公司的招聘动态（#26）。
6. 针对 nvda 组招：建议求职者提前了解系统设计方向与组内技术栈，准备 LC 算法，并主动向 HR 索要面试详情（如 PDF）；同时根据 #34、#35 提示，若目标组涉及 GPU 编程，需掌握 CUDA 并刷 leetGPU 相关题目；此外，参考 #36 建议，放平心态，面试前尽量搞懂对方服务或工具，并尝试实际使用。