Diese Fragen stellen OpenAI, Anthropic, Mistral und Meta in KI-Engineer-Interviews
Auswertung von 270 öffentlichen Interviewberichten zeigt, was die großen KI-Konzerne beim Hiring für AI-Engineering-Rollen tatsächlich abfragen. Die Ergebnisse geben Bewerbern konkretere Orientierung als Glassdoor-Recherchen oder veraltete Reddit-Threads.
Die Vorbereitung auf ein KI-Engineering-Interview sieht normalerweise so aus: zwölf Glassdoor-Tabs, ein Reddit-Thread von 2023, drei YouTube-Videos, ein halb gelesenes Paper und keine Ahnung, was dieses konkrete Unternehmen tatsächlich fragen wird.
Deshalb habe ich 270 öffentliche Interviewberichte durchgearbeitet, also die Berichte und Videos, in denen Kandidaten Unternehmen und Frage nennen, und sie nach Unternehmen sortiert. Das springt zuerst ins Auge: Jedes Top-Labor hat seinen eigenen Charakter. Wer sich generell auf KI-Interviews vorbereitet, ist für keines davon gerüstet.
Hier ist, was jedes einzelne fragt, mit den echten Fragen.
OpenAIs Liste besteht meist aus Systemdesign mit harten Nebenbedingungen: Latenz, Kosten, Berechtigungen, Tenants.
Was geprüft wird: Kannst du etwas bauen, das in der Produktion standhält und nicht nur in einer Demo? Abstraktionen wie "bricht ab, wenn es sollte" und "Evaluierungsplattform obendrauf" verraten es: Guardrails und Messbarkeit sollen von Anfang an mitgedacht werden.
Anthropics Liste liest sich wie eine Infrastrukturprüfung. Rechne mit Überschlagsrechnungen auf Zuruf.
So sieht eine starke Antwort auf die erste Frage aus:
Jeder Worker muss 500 GB über seine eigene 10-Gbit/s-Verbindung empfangen, also sind 400 Sekunden das Minimum. Bedient man alle von einer Maschine, dauert es rund 4,6 Tage. Der Trick besteht darin, dass jeder Empfänger auch hochlädt: Man zerlegt die Gewichte in Chunks und leitet sie über Bäume weiter, oder verteilt sie im Schwarm nach BitTorrent-Art, und kommt nahe an 400 s heran. Danach behandelt man die Topologie (eine Kopie pro Rack-Uplink), Checksummen und die Fortsetzung nach Fehlern.
Was geprüft wird: Ob du in Bytes, Bandbreite und Engpässen denkst, bevor du in Kästchen und Pfeilen denkst.
16 gemeldete Fragen, die meisten aller Labore · 10 auf Mittelstufe, 5 auf Senior-Ebene, 1 auf Junior-Ebene
Mistral geht tief in die Modellinterna. Du wirst Code schreiben.
Was geprüft wird: Ob du weißt, was im Modell steckt, bis hinunter zu den Norms, dem KV-Cache und dem Optimierer. Wenn du bisher nur eine API aufgerufen hast, fällt es genau hier auf.
Metas Senior-Fragen sind große, offene Designprobleme, meist über Agents und Coding-Assistenten.
Was geprüft wird: Ob du ein großes System abgrenzen kannst, weißt, wo das LLM endet und der deterministische Code beginnt, und Sicherheit als Teil des Designs behandelst.
11 gemeldete Fragen · 6 auf Senior-Ebene, 4 auf Mittelstufe, 1 auf Junior-Ebene
"Implementiere gebatchte Multi-Head-Self-Attention mit kausaler Maske."
Diese Frage wurde bei Mistral AI, ByteDance, Meta, Apple und Uber gestellt, bei mehr Unternehmen als jede andere Frage im Datensatz. Rechnet man die KV-Cache-Varianten hinzu, die bei OpenAI, Netflix und Mistral auftauchen, ist das Schreiben von Attention in einer leeren Datei die ergiebigste Stunde Vorbereitung, die man betreiben kann.
All das habe ich in LLM Dojo verarbeitet, sodass die Vorbereitung auf ein bestimmtes Unternehmen ein Tab statt zwanzig erfordert. So sieht eine Sitzung aus:
1. Öffne die Seite deines Unternehmens. Jede dort von Kandidaten gemeldete Frage, aufgeteilt nach Level, mit einem Link zu jedem Originalbericht.
2. Lies die Frage und beantworte sie laut. Ein bis zwei Minuten, wie im echten Interview. Beim lauten Sprechen zeigen sich die Lücken.
3. Öffne die Musterantwort und vergleiche. Jede Antwort ist kurz genug, um sie in einem Interview zu sagen, und nennt ihre Quellen: Papers, Bücher, Messungen.
4. Klappte nicht? Öffne die Lektion. Jedes Thema verweist auf eine Lektion mit interaktiven Labs, sodass du die Idee in Aktion siehst, statt sie auswendig zu lernen: Prefill gegen Decode antreten lassen, einen KV-Cache mit Reglern dimensionieren, BPE Schritt für Schritt durchlaufen, GPT-2 Token für Token im Browser ausführen.
5. Lass es zurückkommen. Melde dich an (kostenlos), und die Aufgaben, die du verfehlst, kehren nach 1 Tag wieder, dann nach 3, dann nach 7, bis sie sitzen.
Steht ein Interview bei einem Unternehmen an, das nicht abgedeckt ist, oder wurdest du nach etwas gefragt, das nicht in der Sammlung ist? Schreib es in die Kommentare, und ich füge es hinzu, mit Musterantwort.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Prepping for an AI engineering interview usually looks like this: twelve tabs of Glassdoor, a Reddit thread from 2023, three YouTube videos, a half-read paper, and no idea what this specific company will actually ask.
So I went through 270 public interview reports, the write-ups and videos where candidates name the company and the question, and sorted them by company. The first thing that jumps out: every top lab has its own personality. Prepare for "AI interviews" in general and you'll be ready for none of them.
Here's what each one asks, with the real questions.
OpenAI's list is mostly system design with hard constraints attached: latency, cost, permissions, tenants.
What they're testing: can you build something that holds up in production, not just in a demo? "Abstains when it should" and "evaluation platform on top" are the giveaways: they want guardrails and measurement designed in from the start.
Anthropic's list reads like an infrastructure exam. Expect back-of-envelope estimates on the spot.
Here's what a strong answer to the first one looks like:
Each worker has to receive 500 GB through its own 10 Gbps link, so 400 seconds is the floor. Serve everyone from one machine and it takes about 4.6 days. The trick is to make every receiver also upload: chunk the weights and pipeline them down trees, or swarm them BitTorrent-style, and you get close to 400 s. Then cover topology (one copy per rack uplink), checksums and resuming after failures.
What they're testing: whether you think in bytes, bandwidth and bottlenecks before you think in boxes and arrows.
16 reported questions, the most of any lab · 10 mid, 5 senior, 1 junior
Mistral goes deep on model internals. You will write code.
What they're testing: whether you know what's inside the model, down to the norms, the KV cache and the optimiser. If you've only ever called an API, this is where it shows.
Meta's senior questions are big, open design problems, mostly about agents and coding assistants.
What they're testing: whether you can scope a large system, know where the LLM ends and the deterministic code begins, and treat security as part of the design.
11 reported questions · 6 senior, 4 mid, 1 junior
"Implement batched multi-head self-attention with a causal mask."
It was reported at Mistral AI, ByteDance, Meta, Apple and Uber, more companies than any other question in the set. Add the KV-cache variants that turn up at OpenAI, Netflix and Mistral, and writing attention from a blank file is the highest-return hour of prep you can do.
I put all of this into LLM Dojo, so preparing for a specific company is one tab instead of twenty. Here's what a session looks like:
1. Open your company's page. Every question candidates reported there, split by level, with a link to each original report.
2. Read the question and answer it out loud. One or two minutes, like the real thing. Out loud is where the gaps show.
3. Open the model answer and compare. Every answer is short enough to say in an interview and lists its sources: papers, books, measurements.
4. Didn't click? Open the lesson. Every topic links to a lesson with interactive labs, so you can see the idea working instead of memorising it: race prefill against decode, size a KV cache with sliders, step through BPE, run GPT-2 token by token in your browser.
5. Let it come back. Sign in (free) and the checks you miss return after 1 day, then 3, then 7, until they stick.
Got an interview coming up at a company that isn't covered, or were you asked something that isn't in the bank? Drop it in the comments and I'll add it, with a model answer.