Meta

English · Русский · AI Interview Atlas › Компании

Бигтех · Международный · Этапы проверены 2026-09-26

Структурированные циклы с опубликованными гайдами по подготовке. Свежие отчёты описывают раунд кодинга с AI-ассистентом для руководителей разработки и живое прототипирование в интервью на AI-продакт-менеджера.

На этой странице: Этапы интервью · Официальные материалы для подготовки · Вопросы (20)

Роли

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

Этапы интервью

Этап	Что происходит	Основание
Первое интервью руководителя разработки	45-минутная беседа с руководителем разработки о технических и управленческих навыках.	✅ подтверждено компанией Preparing for Your Initial Interview (software engineering managers), Meta Careers, проверено 2026-09-26
Цикл для TPM	Пять бесед с техническими руководителями программ и участниками смежных команд.	✅ подтверждено компанией Preparing for Your Interviews at Meta (technical program managers), Meta Careers, проверено 2026-09-26
Отчёт кандидата на EM (M1)	Скрининг с поведенческим раундом и раундом system design на выбор (ML, софт или продукт); в основном цикле были ML system design, разбор проекта, управление командой, поведенческие вопросы и раунд кодинга с AI-ассистентом.	🗣 отчёт кандидата Meta Engineering Manager (M1) Interview Experience, Aced (formerly Exponent), candidate report, проверено 2026-09-26
Отчёт кандидата на AI PM (уровень не проверен)	Телефонные скрининги по product sense и аналитике, затем час, разделённый между product sense и живым прототипированием в инструменте vibe coding на базе Llama, с вопросами о поиске, задержке, стоимости инференса и экономии токенов.	🗣 отчёт кандидата Meta Product Manager, AI Interview Experience (level unverified), Aced (formerly Exponent), candidate report, проверено 2026-09-26

Кодинг: зависит от роли. Руководителям разработки может достаться раунд кодинга с AI-ассистентом (Meta Engineering Manager (M1) Interview Experience, Aced (formerly Exponent), candidate report, проверено 2026-09-26)

Официальные материалы для подготовки

• Preparing for Your Initial Interview (software engineering managers), Meta Careers, проверено 2026-09-26
• Preparing for Your Interviews at Meta (technical program managers), Meta Careers, проверено 2026-09-26

Вопросы, о которых сообщали для Meta

Основы LLM

• Сравните multi-head, multi-query и grouped-query attention по качеству и памяти при инференсе.
  • Знания · Где спрашивали: Meta † · ✍ Ответ
  • Что проверяет: Понимание различия между головами запросов и общими ключами и значениями.
  • Сильный ответ покрывает:
    • В MHA головы KV отдельные, в MQA одна общая, в GQA общие внутри групп.
    • Связать число KV-голов с размером кеша и чтением памяти.
    • Обсудить проверку качества и необходимость обучения или адаптации весов.
  • Читать: GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints (Ainslie et al., arXiv)
• Объясните RoPE и компромиссы интерполяции при расширении контекста за пределы обучающей длины.
  • Знания · Где спрашивали: Meta †
  • Что проверяет: Умение отличать допустимую длину входа от надёжной работы с длинным контекстом.
  • Сильный ответ покрывает:
    • Объяснить RoPE: пары координат query и key поворачиваются на угол, равный позиции, умноженной на частоту пары, поэтому оценка зависит от смещения.
    • Показать, что позиционная интерполяция делит каждую частоту на коэффициент растяжения и размывает соседние токены; NTK и YaRN масштабируют в основном низкие частоты.
    • Отличать допустимую длину от реального использования: проверить поиск и многошаговые задачи на разной глубине и регрессии на коротком контексте после дообучения.
  • Читать: RoFormer: Enhanced Transformer with Rotary Position Embedding (Su et al., arXiv) · Lost in the Middle: How Language Models Use Long Contexts (Liu et al., arXiv) · Extending Context Window of Large Language Models via Positional Interpolation (Chen et al., arXiv) · YaRN: Efficient Context Window Extension of Large Language Models (Peng et al., arXiv) · RULER: What's the Real Context Size of Your Long-Context Language Models? (Hsieh et al., arXiv)
• Чем отличаются цели и данные предобучения, instruction tuning и оптимизации по предпочтениям?
  • Знания · Где спрашивали: Meta †
  • Что проверяет: Понимание возможностей и ограничений каждого этапа.
  • Сильный ответ покрывает:
    • Назвать цели: предсказание следующего токена на сыром корпусе, та же функция потерь на демонстрациях с маской на ответы, затем попарные предпочтения.
    • Сказать, что меняет каждый этап: предобучение даёт знания и навыки, instruction tuning — формат, предпочтения переранжируют уже доступное модели поведение.
    • Проверить границы: факты, добавленные только дообучением, обобщаются плохо, а обучение на предпочтениях может поощрять длину и угодливость.
  • Читать: Training language models to follow instructions with human feedback (Ouyang et al., arXiv) · Direct Preference Optimization: Your Language Model is Secretly a Reward Model (Rafailov et al., arXiv) · Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations? (Gekhman et al., arXiv)
• Объясните две ветви SwiGLU и компромиссы по параметрам и вычислениям относительно обычного feed-forward блока.
  • Знания · Где спрашивали: Meta †
  • Что проверяет: Понимание механики gated activations.
  • Сильный ответ покрывает:
    • Записать SwiGLU: Swish от одной проекции поэлементно гейтит вторую линейную проекцию, затем проекция вниз возвращает d_model.
    • Посчитать параметры: три матрицы вместо двух, поэтому скрытая ширина сужается примерно до 8d/3, чтобы сохранить 8d² весов.
    • Сравнивать при равных параметрах и FLOP по отложенному loss, учитывая дополнительную память активаций и слияние ядер gate и up.
  • Читать: GLU Variants Improve Transformer (Shazeer, 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)

Безопасность, защита и governance

• Спроектируйте систему выявления вредного контента в загрузках Facebook и Instagram.
  • System design · Senior · Где спрашивали: Meta †
  • Что проверяет: Умеете ли вы объединить выявление нарушений, проверку и апелляции в нужном масштабе.
  • Сильный ответ покрывает:
    • Разделить вред по тяжести и для каждого уровня выбрать: блокировка при загрузке, ограничение показа или очередь на проверку.
    • Сочетать сравнение хешей для известного контента с классификаторами для нового, отправляя неуверенные случаи модераторам.
    • Измерять распространённость, точность по каждому правилу и долю решений, отменённых по апелляции, взвешивая ошибочные удаления и пропуски.
  • Читать: A Holistic Approach to Undesired Content Detection in the Real World (Markov et al., arXiv) · Llama Guard: LLM-based Input-Output Safeguard for Human-AI Conversations (Inan et al., arXiv)

Мультимодальность и голос

• Сравните проекционные слои, cross-attention и токенное представление для подключения изображений к языковой модели.
  • Знания · Где спрашивали: Meta † · ✍ Ответ
  • Что проверяет: Умение различать кодирование изображения и объединение модальностей.
  • Сильный ответ покрывает:
    • Отделить visual encoder от интерфейса с языковой моделью.
    • Сравнить проекцию эмбеддингов патчей, cross-attention к визуальным признакам и дискретные токены изображения.
    • Обсудить бюджет визуальных токенов, пространственные детали и обучение выравниванию.
  • Читать: Flamingo: a Visual Language Model for Few-Shot Learning (Alayrac et al., arXiv)
• Какие архитектурные решения и требования к данным меняются при переходе от отдельных изображений к видео?
  • Знания · Где спрашивали: Meta †
  • Что проверяет: Учёт временной информации и стоимости выборки кадров.
  • Сильный ответ покрывает:
    • Посчитать бюджет визуальных токенов: кадры × токены на кадр быстро растут, поэтому выбрать частоту кадров, пулинг или tubelet-патчи под задачу.
    • Кодировать время явно — метками времени или временными позициями — и обучать на клипах, где ответ зависит от порядка событий.
    • Сравнить с базовыми вариантами по одному кадру и по перемешанным кадрам, чтобы убедиться, что модель вообще использует время.
  • Читать: Flamingo: a Visual Language Model for Few-Shot Learning (Alayrac et al., arXiv)

Дизайн AI-систем

• Спроектируйте модерацию, сочетающую специализированные классификаторы и LLM при ограничениях задержки и нагрузки на проверяющих.
  • System design · Где спрашивали: Meta † · ✍ Ответ
  • Что проверяет: Учёт классов риска, эскалации и ошибочных решений в дизайне.
  • Сильный ответ покрывает:
    • Определить классы риска по вреду, с отдельным допуском на ошибочное удаление и пропуск нарушения для каждого.
    • Построить каскад: быстрые классификаторы на всё, LLM на зону неопределённости, люди на тяжёлые спорные случаи.
    • Задать пороги по классам по измеренным точности и полноте, отслеживая очередь проверяющих, апелляции и отмены.
  • Читать: A Holistic Approach to Undesired Content Detection in the Real World (Markov et al., arXiv) · Llama Guard: LLM-based Input-Output Safeguard for Human-AI Conversations (Inan et al., arXiv)
• 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)

Стратегия и метрики AI-продукта

• Вовлечённость в уведомления растёт, а общее время в продукте не меняется. Как вы объясните результат?
  • Продуктовый кейс · Senior · Где спрашивали: Meta 🗣 · ✍ Ответ
  • Что проверяет: Различаете ли вы замещение активности, артефакты измерения и пользу пользователю.
  • Сильный ответ покрывает:
    • Проверить определения, показы, когорты и устройство эксперимента.
    • Проверить, перераспределяют ли уведомления активность или создают новые полезные действия.
    • Учесть отключения уведомлений, удовлетворённость и долгосрочный эффект.
  • Читать: Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications (Rodden, Hutchinson and Fu, Google Research)
• Спроектируйте продукт, связывающий местных мастеров с заказчиками.
  • Продуктовый кейс · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Учитываете ли вы обе стороны маркетплейса и его запуск при малом числе участников.
  • Сильный ответ покрывает:
    • Назвать обе стороны, решение каждой и то, в чём каждой нужна уверенность: проверка мастеров, цена, оплата.
    • Измерять долю заявок, закрытых выполненной работой, и время до подбора с ограничениями по спорам и повторным заказам.
    • Запуститься в одном районе и одной специальности, набирая мастеров вручную до автоматизации подбора.
  • Читать: How to match supply and demand in your marketplace (Sharetribe)
• Новый сервис растёт, а месячная аудитория Facebook сокращается. Как оценить, успешен ли сервис?
  • Продуктовый кейс · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Умеете ли вы исследовать влияние на весь продуктовый портфель, а не одну метрику.
  • Сильный ответ покрывает:
    • Выяснить, должен ли сервис приносить новых пользователей и время или перераспределять время между приложениями.
    • Оценить замещение через контрольную группу или сопоставимые когорты, а не сравнением двух кривых.
    • Оценивать по чистому приросту пользователей и ценности портфеля с ограничением по здоровью основного продукта.
  • Читать: Patterns of Trustworthy Experimentation: Pre-Experiment Stage (Microsoft Research) · Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications (Rodden, Hutchinson and Fu, Google Research)
• Спроектируйте продукт подбора волонтёров и объясните, как преодолеть холодный старт.
  • Продуктовый кейс · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Умеете ли вы обеспечить первые полезные совпадения до появления масштаба.
  • Сильный ответ покрывает:
    • Определить, какая сторона в дефиците, и сузиться до одного города и направления, где совпадения реально возможны.
    • Измерять долю опубликованных потребностей, закрытых состоявшейся сменой, с ограничениями по неявкам и оттоку организаций.
    • Первые пары организаций и волонтёров подбирать вручную, проверяя, превращаются ли совпадения в смены.
  • Читать: How to match supply and demand in your marketplace (Sharetribe)

Руководство инженерными командами

• Как вы руководили самыми сильными сотрудниками и помогали им развиваться?
  • Поведенческий · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Создаёте ли вы возможности роста без особых правил для отдельных сотрудников.
  • Сильный ответ покрывает:
    • Начать с того, чего дальше хочет каждый сильный сотрудник, и давать рост через более трудные задачи, а не через объём.
    • Не делать из них исключение: те же требования к совместной работе, а сложные задачи распределять открыто, не по симпатии.
    • Закончить свидетельствами их роста, например зоной, которую они теперь ведут сами, и тем, остались ли они.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)
• Коллега из другой функции критически оценивает ваше руководство. Как вы реагируете?
  • Прикладной сценарий · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Проверяете ли вы обратную связь и меняете ли на её основе поведение.
  • Сильный ответ покрывает:
    • Попросить конкретные случаи и описание того, как это сказалось на команде партнёра, поначалу удерживаясь от оправданий.
    • Проверить у других партнёров и своей команды, системно ли это, отделяя своё поведение от структурных трений между функциями.
    • Взять на себя одно заметное изменение, сообщить о нём партнёру и позже спросить, сработало ли оно.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)
• Что вы изменили в своём подходе к управлению по мере профессионального роста?
  • Поведенческий · Senior · Где спрашивали: Meta 🗣
  • Что проверяет: Приводит ли рефлексия к конкретным изменениям в руководстве.
  • Сильный ответ покрывает:
    • Назвать одну-две конкретные практики, которые вы изменили, а не общий сдвиг в философии.
    • Объяснить, что вызвало каждое изменение, например обратная связь или результат команды, и во что вы верили раньше.
    • Показать эффект так, как его описала бы команда, и назвать, что вы меняете до сих пор.
  • Читать: [re:Work] Google's New Manager Training Slides (Google re:Work)

Программы и delivery

• Расскажите о крупном межфункциональном проекте: неопределённости, препятствиях и задержках.
  • Поведенческий · Senior · Где спрашивали: Meta 🗣 · ✍ Ответ
  • Что проверяет: Умеете ли вы менять способ выполнения работы по мере уточнения данных и зависимостей.
  • Сильный ответ покрывает:
    • Связать результаты и зависимости с конкретными ответственными.
    • Объяснить, как обнаружили препятствие и изменили план или порядок эскалации.
    • Разделить выполненную работу и её эффект и первоначальные цели.
  • Читать: Design Docs at Google (Industrial Empathy) · Site Reliability Engineering (Google)

Поведенческие вопросы и ценности

• Расскажите о проекте с данными и машинным обучением. С какими препятствиями вы столкнулись?
  • Поведенческий · Senior · Где спрашивали: Meta †
  • Что проверяет: Связываете ли вы технические препятствия с действиями и достигнутыми результатами.
  • Сильный ответ покрывает:
    • Выбрать препятствия, характерные именно для данных и моделей, — разметка, утечка данных, дрейф, пробелы в оценке, — а не общие задержки.
    • По каждому препятствию сказать, как вы его диагностировали и почему выбрали это решение, а не альтернативы.
    • Закончить достигнутым результатом в сравнении с базовым уровнем и тем, какое препятствие теперь заметили бы раньше.
  • Читать: Rules of Machine Learning (Google for Developers)
• Расскажите, как вы добились значимого результата в условиях существенной неопределённости.
  • Поведенческий · Senior · Где спрашивали: Meta †
  • Что проверяет: Умеете ли вы снижать неопределённость через решения и обратную связь.
  • Сильный ответ покрывает:
    • Выбрать случай, где неясны были сама цель или задача, а не только ресурсы или сроки.
    • Показать, какую неизвестность вы сняли первой, каким небольшим решением или пробным шагом и как обратная связь меняла план.
    • Закончить значимым результатом и свидетельством того, что вы решили именно ту задачу.
  • Читать: How the alpha phase works (Government Digital Service)

← Google и Google DeepMind · Microsoft →