面试官您好，我叫张韬。
之前主要做金融方向PDF、word之类文档的大模型的提取式评测与标注工作， 包括实体打标、人工核验、问题样本的整理和效果反馈。
我了解咱们岗位是AI生成Office内容的评测，虽然场景有不同点，但是他们有相似之处，并且我也有细粒度评估和维护标准的经验，也愿意快速学习新规范，希望能加入团队。谢谢。
一、认知理解类（必问！）
Q1：你怎么理解我们这个岗位？
我理解这个岗位是面向AI生成的PPT、Word、PDF等办公产物，做「评测+质检+仲裁+问题归纳」。
一方面按照规范做多维度细粒度打分排序，产出用于SFT、RLHF训练的数据；
另一方面抽检标注结果，处理大家的审美和判断分歧，避免标准漂移；
最后归纳模型的典型缺陷，输出Bad Case和评测建议，反哺算法，让模型生成更好的办公文档。
本质就是办公场景训练数据的质量守门员。
Q2：你觉得评测AI生成PPT/Word，要从哪几个维度看？
我会分成两大块，而不是只看好不好看：
第一是功能性：内容逻辑是否通顺、信息层级是否清晰、有没有事实错误、有没有遗漏指令要求；
第二是呈现性：排版、配色、留白、元素对齐是否合理，阅读体验是否友好。
同时我会刻意区分「规范明确的硬错误」和「个人主观审美偏好」，不会用自己的喜好代替标准。
Q3：什么是「标准漂移」？怎么避免？（JD原文词！必背）
标准漂移就是：大家一开始都严格参照标注规范，但长时间大批量工作后，每个人对规则松紧、边界的理解慢慢跑偏，评判尺度不一致。
避免的办法：经常参加标准校准会；遇到模糊case及时上报对齐；做抽检的时候及时发现偏差；建立典型Good Case / Bad Case样例库，统一标尺。
Q4：SFT和RLHF简单说是什么？这个岗位和它们有什么关系？
SFT是有监督微调：给模型大量高质量「指令‑理想输出」对做示范；
RLHF是基于人类反馈的强化学习：人类对多个输出做偏好排序，训练奖励模型，再优化大模型。
我们产出的打分、排序、Critique评测解析，就是用来给SFT或者RLHF提供高质量人类偏好数据的。
二、经历匹配类（用你中证的经验平移）
Q5：你之前做的是金融文档标注评测，怎么迁移到PPT/Word？
虽然业务领域不一样，但底层逻辑高度相通。
之前我对照规范校验金融PDF、提取信息、二次复检、识别错误、收集Bad Case反馈算法；
现在只是校验对象换成AI生成的办公产物：同样要对照SOP、判断结构/格式是否合理、处理标注分歧、把控合格率、归纳问题。
我不是设计专业，但我可以严格站在规范角度评估「信息传达效果」，而不是纯主观审美；平时我也经常测试WPS AI、豆包生成PPT，观察过AI常见排版问题。
Q6：你有没有做过仲裁？遇到两个人标注结果不一样你怎么处理？
在之前质检的时候也遇到过标注员理解不一致的情况。
我第一步先回到官方规范；第二步拿样例对比，找分歧点；第三步如果规范写得模糊，就给出有理有据的判定；如果规范缺失，就记录这个歧义case向上反馈，帮助团队补充样例库，统一口径，防止后续漂移。
Q7：你之前怎么收集、整理Bad Case？
我会先对问题归类，而不是零散记录。
比如哪些是事实错误、哪些是结构混乱、哪些是格式缺陷；写清楚现象+为什么不合格+理想参考；形成清晰的Critique评测解析，交付算法团队参考迭代。
我知道Bad Case不是吐槽AI，而是要给算法明确、可复现的参考。
Q8：你用过哪些标注/评测工具？
我用过Label Studio做数据标注；也用过Office套件、PDF解析工具做文档校验；也了解一些AI评测平台；同时熟悉Prompt编写，能够构造测试指令来探测模型问题。当然新平台我学习速度很快，可以快速上手你们内部工具。
三、高频场景实操题（非常有区分度）
Q9：一份AI生成PPT，内容没问题，但排版你个人不喜欢，给高分还是低分？
如果规范里没有定义这个为错误，我不会因为个人喜好扣分。
我会区分：硬缺陷（对齐乱、层级错、信息丢失） 和 主观风格偏好；
只有规范明确约束的点，才作为打分依据；有疑问就上报，而不是自行扩大标准。
Q10：规范写得比较模糊、没有明确答案的时候怎么办？
首先我会先参考已有的样例库；如果还是不确定，不擅自做决定，把case完整记录下来，提交给负责人仲裁；等团队输出统一结论之后，我会记住这个边界，后续按新标准执行。
Q11：如果让你写一段Critique（评测解析）评价一份差的AI‑PPT，你会怎么写？
（参考）这份PPT没有很好遵循用户指令；标题和正文信息层级混淆；段落之间留白不均匀；图表没有对齐；内容分段逻辑跳跃，读者很难快速抓取重点；建议模型输出时严格区分标题/正文层级，控制元素间距，优化逻辑顺序。
✅要点：描述客观现象，不说「我觉得很丑」。
Q12：长时间做重复打分，容易疲劳、尺度松了，你怎么自我校准？
我会给自己设置阶段性休息；定期回看官方样例；偶尔拿「黄金样本」自测，检查自己有没有不知不觉放宽或者收紧标准；如果发现自己状态不好，主动提出来，不要产出低质量数据。
Q13：你觉得AI生成PPT经常会犯哪些错误？
我观察到常见问题：标题层级混乱、段落留白不合理、图表数据和文字对不上、逻辑跳转突兀、字体大小不统一、内容过度堆砌、没有抓住用户的核心需求。
Q14：什么叫细粒度打分？为什么不要简单打「好/不好」？
细粒度就是不要二元判断，而是拆成多个维度独立评估：内容完整性、逻辑、信息层级、视觉排版；
每个维度单独给分+说明理由；这样算法才知道具体哪里不好，而不是只知道这个结果不行，数据才有训练价值。
Q15：如果标注员不服你的质检/仲裁结果怎么办？
我不会强硬否定，而是回到规范，有理有据说明判定理由；
如果对方提出合理疑问，我也会虚心考虑；要是规范确实有漏洞，就向上反馈更新标准；目标不是赢过对方，而是保证整体数据集尺度统一。
四、专业&概念轻提问（不用太深，但要懂）
Q16：什么是偏好排序？RLHF里为什么要做A/B对比打分？
偏好排序就是给模型的多个输出，按人类期望从优到劣排顺序；
不是找唯一标准答案，而是告诉模型「人类更偏爱哪一种」，用来训练奖励模型，对齐人类的使用习惯。这个岗位就需要我们客观给出偏好判断。
Q17：你了解Prompt吗？这个工作里Prompt有什么用？
Prompt就是给AI的指令。一方面我们可以设计Prompt去探测模型办公能力边界；另一方面，写评测解析的时候，也可以给出更好的参考Prompt，辅助后续优化。我简历也写了会基础Prompt工程。
Q18：有没有听说过「Inter‑Rater Agreement（标注一致性）」？
简单说就是不同标注员之间判断结果的吻合程度。一致性越高，说明标准越清晰、大家执行越到位；一致性低就说明有标准漂移或者规范模糊了，需要校准。不用死记公式，知道含义就行。
五、个人&压力问题
Q19：你不是设计专业，会不会看不懂排版好坏？（超级高频！）
我虽然不是视觉设计科班出身，但我区分「专业艺术设计」和「办公文档可用性」。
办公文档排版的第一目标是高效传递信息，而不是艺术创作。我可以基于给定规范，评估信息层级、对齐、留白、可读性；遇到超出规范的审美问题，我会交给专业人员仲裁，不会越界主观判断。同时我也在持续学习基础排版知识。
Q20：这个工作比较枯燥、重复，你能接受吗？
我性格本身比较适合细致的工作；我理解每一条评测数据，都会实实在在影响后面模型迭代；
虽然有重复部分，但每次归纳Bad Case、发现模型新问题的时候，也有价值感。我之前做合规审核也可以长期保持细心。
Q21：为什么从开发/合规方向，想来做大模型评测？
我本身计算机专业，一直关注AI方向；之前已经接触过AI数据标注和评测；
对这个方向非常感兴趣，而且我很看好这个赛道，希望在这个方向深耕。
Q22：你平时用过哪些AI办公工具？
WPS AI、豆包、微软Copilot，我都有体验过；我会特意测试它们生成PPT、Word、表格的效果，留意它们容易踩的坑，也会对比不同模型输出的差异。
💡面试加分关键词（适当自然说出，不要堆砌）：
标准漂移、Critique、细粒度打分、偏好排序、Bad Case、样例库校准、SFT/RLHF、功能优先于主观审美