美团自动驾驶算法二面：数据流水线、SFT 数据质量与手撕合并区间

《面试题目》

自我介绍与实习追问

1. 自我介绍
2. 数据流水线中的结构分析和样本回流具体怎么做？
3. 怎么理解高质量 SFT 数据集？
4. 怎么评估数据集与真实数据分布接近？
5. “专家经验思考监督数据”具体是什么？

手撕

6. 二维数组，每个元素是一维数组，一维数组只有两个整数，代表一个线段的起点和终点，要求合并区间
7. 给出一段算法核心源码，要求在代码里 debug

《参考解析》

1. 合并区间是白板高频题，考的是排序 + 一次扫描，不是数据结构：先把区间按左端点排序，再顺序遍历，维护一个当前区间；新区间左端点 ≤ 当前右端点就合并（右端点取两者较大值），否则把当前区间落盘、换新的。讲的顺序比写完更重要——先跟面试官确认区间是否闭合、输入是否已排序、要不要原地修改，再动笔。常见的三个坑：只判了 start <= curEnd 忘了取 max 导致区间被截短；相等时是否合并（闭区间要合并）；最后一段别忘了收尾。写完主动跑一遍空数组、单区间、完全包含、首尾相接四组用例。

2. debug 题考的通常不是算法，是健壮性：这类题给一段能跑的代码，错的地方多在边界与契约上——入参类型/范围没校验、负数与零、除零、空集合、返回值与异常路径不一致、异常被吞掉。排查顺序是先在脑子里跑一遍正常用例，再针对每个函数的入参问「如果传进来的是 None / 负数 / 超长会怎样」。回答时把「发现的问题 — 触发条件 — 修法」说成三段，比直接改代码更容易拿分；顺手补一句工程习惯（类型注解、断言、单元测试）会显得不是只会刷题。

3. 「高质量 SFT 数据集」要答成一组可度量的维度，而不是一句多样性：数据来源是否真实、去重与清洗是否彻底、任务与标签定义是否一致、类别配比是否贴近线上真实分布、样本难度是否有梯度、标注质量与一致性怎么抽检、长度分布是否被长样本带偏。落到自动驾驶这类场景，还要说清「模型最终要在什么分布上评估，训练集就该覆盖什么分布」——这句话能把题从数据科学拉到业务目标。

4. 「怎么评估数据集与真实数据分布接近」有现成的两层答法：数值/类别特征做逐维统计对比（均值方差、分位数、类别占比、缺失率），再加分布距离指标（PSI、KL/JS 散度、KS 检验）；高维非结构化数据（图像、点云、文本）则用模型 embedding 做距离或做判别器式检验，配合人工抽样看长尾。答完要补一句闭环：发现偏移后是补采、加权采样还是重做标注，以及这件事多久跑一次。

5. 「专家经验的思考监督数据」本质是把隐式规则显式化：人工分类经验往往只沉淀成一级、二级标签，模型只学到「输入 → 标签」的映射，学不到判断依据。补法是把专家的判断过程写成推理链，做成带思维过程的监督样本，让模型先学「为什么这么分」再学「分成哪类」；代价是标注成本高、推理链质量参差，所以通常只对难例和边界样本做，配合规则约束一起用。答这题时把「规则约束 + 推理监督 + 少量难例」的组合讲清楚，比单说一句「换成思考模式模型」有信息量得多。