Google и Google DeepMind

English · Русский · AI Interview Atlas › Компании

Бигтех · Международный · Этапы проверены 2026-09-26

Гайды описывают интервью руководителей разработки и продакт-менеджеров Gemini. Один кандидат на EM уровня L6 сообщает о code review и отладке. Общий цикл для разработчиков или research-инженеров эти источники не устанавливают.

На этой странице: Этапы интервью · Вопросы (18)

Роли

• AI-лидерство: Руководитель разработки (EM), AI-продакт-менеджер (от senior до group)

Этапы интервью

Этап	Что происходит	Основание
Путь руководителя разработки	Скрининг с рекрутером, технический телефонный скрининг с кодингом, затем финальные интервью по кодингу, system design и лидерству; отзывы рассматривает hiring committee, после чего идёт подбор команды.	† гайд или подборка Google Engineering Manager (EM) Interview Guide, Aced (formerly Exponent), проверено 2026-09-26
Отчёт кандидата на EM (L6)	Googleyness и поведенческие вопросы (разногласия в команде, уход людей во время реорганизации), два раунда system design с погружением в детали реализации, EM-раунд о слабых сотрудниках и обязательный к прохождению раунд code review и отладки на 200+ строках в общем документе без IDE.	🗣 отчёт кандидата Google Engineering Manager (L6) Interview Experience, Aced (formerly Exponent), candidate report, проверено 2026-10-05
Путь продакт-менеджера Gemini	Скрининги с рекрутером и нанимающим менеджером об AI-first мышлении, раунд продуктового дизайна с примерно 15 минутами vibe coding прототипа, раунд execution и стратегии об отладке LLM-систем, раунд system design генеративного AI и раунд лидерства.	† гайд или подборка Gemini Product Manager Interview Guide, Aced (formerly Exponent), проверено 2026-09-26

Кодинг: зависит от роли. Один кандидат на EM сообщает о code review/отладке; AI-прототипирование для PM описано во вторичном гайде. Уточните формат своей роли. (Google Engineering Manager (EM) Interview Guide, Aced (formerly Exponent), проверено 2026-09-26, Google Engineering Manager (L6) Interview Experience, Aced (formerly Exponent), candidate report, проверено 2026-10-05, Gemini Product Manager Interview Guide, Aced (formerly Exponent), проверено 2026-09-26)

Вопросы, о которых сообщали для Google и Google DeepMind

Основы LLM

• Сравните greedy decoding, beam search, температуру, top-k и nucleus sampling; приведите ограничение каждого подхода.
  • Знания · Где спрашивали: Google и Google DeepMind †, Perplexity †
  • Что проверяет: Понимание связи преобразований вероятностей с разнообразием и качеством ответов.
  • Сильный ответ покрывает:
    • Описать каждый метод как преобразование: argmax, приближённый поиск по правдоподобию последовательности, деление логитов на T, отсечение до k и по накопленной массе.
    • Назвать сбои: greedy и beam зацикливаются или банальны, высокая температура уводит в бессвязность, top-k игнорирует форму распределения, top-p пропускает плоский хвост.
    • Выбирать по задаче — детерминированно для извлечения, с сэмплированием для генерации — и мерить точность вместе с разнообразием по разным seed.
  • Читать: The Curious Case of Neural Text Degeneration (Holtzman et al., arXiv)

Инференс, serving и стоимость

• Сравните tensor, pipeline, data, sequence и expert parallelism при развёртывании большой модели.
  • Знания · Где спрашивали: Amazon †, Google и Google DeepMind †, Meta †
  • Что проверяет: Умение выбирать по обмену данными и ограничениям памяти.
  • Сильный ответ покрывает:
    • Назвать, что делит каждая схема и какой обмен добавляет: all-reduce в каждом слое у TP, активации между стадиями у PP, обмен KV у SP, all-to-all у EP.
    • Сначала уместить веса и KV: TP внутри NVLink-домена, PP между узлами, затем реплики data parallel без обмена ради пропускной способности.
    • Измерить запас памяти на GPU, долю обмена во времени шага, простои конвейера и перекос нагрузки экспертов при целевой задержке.
  • Читать: vLLM documentation (vLLM project) · Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity (Fedus et al., arXiv) · Efficiently Scaling Transformer Inference (Pope et al., arXiv) · Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism (Shoeybi et al., arXiv)

Дообучение и post-training

• В длинном запуске предобучения внезапно расходится loss. Как проверить данные, численную устойчивость и оптимизатор перед продолжением с checkpoint?
  • Прикладной сценарий · Где спрашивали: Google и Google DeepMind †
  • Что проверяет: Умение восстанавливать обучение на основе воспроизводимой диагностики.
  • Сильный ответ покрывает:
    • Найти первый аномальный шаг по норме градиента, величинам активаций и логитов внимания и отношению обновления к весам.
    • Повторить участок с предыдущего checkpoint с тем же порядком данных: воспроизведённый скачок указывает на данные или численную устойчивость, иначе подозревать оборудование.
    • Вносить одно целевое исправление — пропуск батчей, меньший learning rate, более жёсткий clipping или z-loss — и сравнить повторённую траекторию.
  • Читать: PaLM: Scaling Language Modeling with Pathways (Chowdhery et al., arXiv) · Small-scale proxies for large-scale Transformer training instabilities (Wortsman et al., arXiv)
• Спроектируйте обучение модели, не помещающейся на одном ускорителе: как разделить состояние и ограничить стоимость коммуникаций?
  • System design · Где спрашивали: Google и Google DeepMind † · ✍ Ответ
  • Что проверяет: Умение выбирать параллелизм по состоянию модели, активациям и топологии сети.
  • Сильный ответ покрывает:
    • Разделить параметры, градиенты, состояние оптимизатора и активации до выбора схемы разбиения.
    • Объяснить шардинг состояния ZeRO и затраты на обмен; отличать его от разделения вычислений слоя.
    • Измерить пиковую память, обмен и пропускную способность на целевой топологии до масштабирования.
  • Читать: ZeRO: Memory Optimizations Toward Training Trillion Parameter Models (Rajbhandari et al., arXiv)

Оценка качества и наблюдаемость

• Спроектируйте eval-harness для новой модели с воспроизводимостью, изоляцией исполнения и сопоставимыми результатами.
  • System design · Где спрашивали: Google и Google DeepMind †
  • Что проверяет: Умение построить инфраструктуру для достоверного сравнения.
  • Сильный ответ покрывает:
    • Закрепить всё, что влияет на оценку: версию датасета, шаблон промпта, параметры декодирования, оценщика и seed.
    • Исполнять сгенерированный моделью код в изолированных песочницах с ограничением сети и ресурсов и чистым состоянием на задачу.
    • Показывать средние по повторным сэмплам с доверительными интервалами и перезапускать baseline-модель, чтобы ловить дрейф harness.
  • Читать: Demystifying evals for AI agents (Anthropic) · Evaluation best practices (OpenAI API documentation)

Дизайн AI-систем

• Спроектируйте потоковый чат для сотен миллионов пользователей с планированием мощности, хранением диалогов и работой при перегрузке.
  • System design · Где спрашивали: Anthropic †, Google и Google DeepMind †, Meta †, OpenAI † · ✍ Ответ
  • Что проверяет: Умение вывести решения по мощности и надёжности из предположений о масштабе.
  • Сильный ответ покрывает:
    • Оценить число потоков, спрос на токены и хранение по явным предположениям о трафике.
    • Разделить допуск запросов, планирование инференса и долговременное состояние диалога.
    • Предусмотреть запас мощности, отмену, отказ при перегрузке и восстановление после частичного сбоя.
  • Читать: Site Reliability Engineering (Google) · Efficient Memory Management for Large Language Model Serving with PagedAttention (Kwon et al., arXiv)

Практический кодинг

• Реализуйте scaled dot-product attention с causal mask и тестами, выявляющими доступ к будущим токенам.
  • Кодинг · Где спрашивали: Amazon †, Anthropic †, Google и Google DeepMind † · ✍ Ответ
  • Что проверяет: Умение корректно реализовать размерности, маскирование и численную устойчивость.
  • Сильный ответ покрывает:
    • Проверить размерности батча, последовательности и голов до вычисления scores.
    • Использовать устойчивый softmax после маскирования запрещённых позиций.
    • Проверить малые ручные примеры и неизменность ранних выходов при изменении будущих входов.
  • Читать: Attention Is All You Need (Vaswani et al., arXiv)
• Реализуйте multi-head attention, затем измените код так, чтобы несколько query-голов делили пару голов key и value.
  • Кодинг · Где спрашивали: Google и Google DeepMind †
  • Что проверяет: Умение согласованно реализовать расположение тензоров и группировку голов.
  • Сильный ответ покрывает:
    • Сначала зафиксировать размерности: батч, последовательность, головы и размер головы; требовать, чтобы число query-голов делилось на число KV-голов.
    • Сопоставить query-голову h с KV-головой h // group_size; при расширении использовать repeat_interleave, а не tile.
    • Проверить, что при равном числе голов получается обычный multi-head attention, а при одной KV-голове — multi-query.
  • Читать: GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints (Ainslie et al., arXiv) · Attention Is All You Need (Vaswani et al., arXiv)
• Реализуйте температуру, top-k фильтрацию и nucleus sampling для вектора логитов, включая граничные случаи.
  • Кодинг · Где спрашивали: Google и Google DeepMind †
  • Что проверяет: Корректная обработка вероятностей, равенств и недопустимых параметров.
  • Сильный ответ покрывает:
    • Задать контракт параметров: нулевая температура как argmax, допустимые диапазоны k и p, нечисловые логиты.
    • Использовать устойчивый softmax; nucleus оставляет наименьший отсортированный префикс с массой не меньше p — сортировка за O(V log V).
    • Проверить равенства на границе отсечения, p около единицы, k больше словаря и частоты выборки при фиксированном seed.
  • Читать: The Curious Case of Neural Text Degeneration (Holtzman et al., arXiv)

Стратегия и метрики AI-продукта

• Как определить, полезна ли LLM для предложенной продуктовой задачи?
  • Продуктовый кейс · Senior · Где спрашивали: Google и Google DeepMind † · ✍ Ответ
  • Что проверяет: Начинаете ли вы с задачи и данных, а не с технологии.
  • Сильный ответ покрывает:
    • Описать задачу пользователя, базовое решение и цену ошибки.
    • Проверить доступ к данным, возможность оценки, задержку и требования к предсказуемости.
    • Провести ограниченное сравнение и назвать основание отказаться от LLM.
  • Читать: Rules of Machine Learning (Google for Developers) · Building Effective AI Agents (Anthropic)
• Спроектируйте ассистента на основе Gemini для студентов университета.
  • Продуктовый кейс · Senior · Где спрашивали: Google и Google DeepMind † · ✍ Ответ
  • Что проверяет: Определяет ли понятная потребность пользователя функции, учебные результаты и защитные меры.
  • Сильный ответ покрывает:
    • Выбрать сегмент студентов и одну регулярную неудовлетворённую потребность.
    • Спроектировать удобный сценарий с учётом неопределённости, проверки и злоупотреблений.
    • Измерять успешность задачи и пользу для обучения наряду с удержанием.
  • Читать: Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications (Rodden, Hutchinson and Fu, Google Research) · AI Risk Management Framework (NIST)
• Пользователи жалуются, что Gemini уверенно даёт неверные ответы. Что вы измените?
  • Продуктовый кейс · Senior · Где спрашивали: Google и Google DeepMind † · ✍ Ответ
  • Что проверяет: Умеете ли вы различать причины ошибок и формировать обоснованное доверие.
  • Сильный ответ покрывает:
    • Собрать типичные ошибки и разделить проблемы знаний, поиска и подачи ответа.
    • Сравнить опору на источники, отказ от ответа и изменения интерфейса на одинаковых задачах.
    • Отслеживать неподтверждённые утверждения, полезное выполнение задач и регрессии по сегментам.
  • Читать: AI Risk Management Framework (NIST) · Demystifying evals for AI agents (Anthropic)

Руководство инженерными командами

• Как вы будете действовать, если инженер не соответствует ожиданиям по результатам работы?
  • Прикладной сценарий · Senior · Где спрашивали: Google и Google DeepMind 🗣 · ✍ Ответ
  • Что проверяет: Умеете ли вы разобраться в причинах отставания, обеспечить справедливую поддержку и явно задать ожидания и дальнейшие шаги.
  • Сильный ответ покрывает:
    • Уточнить наблюдаемые ожидания и примеры отставания; проверить ясность роли и условия работы.
    • Выслушать инженера, согласовать поддержку и измеримое улучшение со сроками проверки.
    • Следовать кадровому процессу организации, различать улучшение, смену роли и расставание; соблюдать конфиденциальность.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)
• Как вы будете действовать, если сильный инженер своим поведением регулярно создаёт конфликты с коллегами?
  • Прикладной сценарий · Senior · Где спрашивали: Google и Google DeepMind 🗣 · ✍ Ответ
  • Что проверяет: Умеете ли вы разбирать конкретные проблемы взаимодействия, не делая исключений для сильных сотрудников и не вынося решения до разговора с участниками.
  • Сильный ответ покрывает:
    • Установить конкретные действия и последствия для команды; выслушать разные стороны без публичных обвинений.
    • Объяснить, что взаимодействие входит в оценку работы; согласовать наблюдаемые изменения и поддержку.
    • Проверять и результаты, и сотрудничество; при сохранении вредного поведения следовать кадровому процессу.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)
• Расскажите о сложном организационном изменении, которым вы управляли и при котором уходили сильные инженеры. Как вы действовали?
  • Поведенческий · Senior · Где спрашивали: Google и Google DeepMind 🗣 · ✍ Ответ
  • Что проверяет: Умеете ли вы объяснить реальные уходы сотрудников, собственную ответственность и последствия ваших действий для оставшейся команды.
  • Сильный ответ покрывает:
    • Взять реальное изменение и состоявшиеся уходы; назвать свои полномочия и отделить известные причины от предположений.
    • Объяснить реакцию оставшихся инженеров и изменения нагрузки, коммуникации или управления.
    • Привести последующие наблюдения, пределы причинных выводов и то, что теперь сделали бы иначе.
  • Читать: Organizational Change Management (GitLab Handbook)
• Как вы стабилизируете инженерную команду после смены руководства?
  • Прикладной сценарий · Senior · Где спрашивали: Google и Google DeepMind 🗣 · ✍ Ответ
  • Что проверяет: Умеете ли вы восстановить доверие и ясность работы до масштабных изменений.
  • Сильный ответ покрывает:
    • Выслушать команду и партнёров и выявить срочные риски для работы и людей.
    • Уточнить приоритеты, ответственность за решения и регулярное взаимодействие.
    • Внести ограниченное число обоснованных изменений и проверить их эффект.
  • Читать: Organizational Change Management (GitLab Handbook)
• Расскажите о споре в команде, который вы разрешили, сохранив обоснованные доводы обеих сторон.
  • Поведенческий · Senior · Где спрашивали: Google и Google DeepMind 🗣 · ✍ Ответ
  • Что проверяет: Выявляете ли вы реальные потребности вместо поверхностного компромисса.
  • Сильный ответ покрывает:
    • Выбрать спор, где обе позиции защищали что-то настоящее, и изложить каждую в сильнейшей форме.
    • Показать, как вы перешли от позиций к стоящим за ними потребностям и нашли вариант, закрывающий обе.
    • Закончить принятым решением, тем, остались ли закрыты оба опасения, и тем, как вы это проверили.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)

Поведенческие вопросы и ценности

• Расскажите о разногласии с исследователем или техническим лидером по приоритетам и о том, что произошло дальше.
  • Поведенческий · Senior · Где спрашивали: Google и Google DeepMind †
  • Что проверяет: Умеете ли вы учитывать различия мотивации исследователей и инженеров.
  • Сильный ответ покрывает:
    • Выбрать спор о приоритетах, где цели исследования и инженерной работы действительно тянули в разные стороны.
    • Объяснить, за что поощряли каждую сторону — за новые результаты или за надёжный выпуск, — и чего стоил каждый вариант.
    • Показать, как спор разрешился, например экспериментом с ограниченным сроком, и что было дальше для обеих сторон.
  • Читать: Design Docs at Google (Industrial Empathy) · Communication (GitLab Handbook)

← Canva · Meta →