Какие ресурсы по моделям и статьям вы мониторите
Что проверяют
Хотят понять, как вы отбираете новое и доводите ли его до работы, а не сколько сайтов знаете. Следом почти всегда просят назвать последнюю статью или модель, которая вас зацепила, и рассказать, что вы из неё взяли.
Как отвечать
Постройте ответ как свою систему, а не список закладок: откуда приходит поток, как вы фильтруете и где проверяете.
- поток статей: arXiv по нужным разделам (
cs.LG,cs.CL,stat.ML) и Hugging Face Papers, где за день собираются заметные работы с обсуждением; - модели: Hugging Face Hub, карточки моделей и release notes библиотек, которыми вы пользуетесь. Для задач с эмбеддингами полезен бенчмарк MTEB, для LLM арены с попарным сравнением ответов;
- конференции: принятые статьи и рецензии на OpenReview по NeurIPS, ICML и ICLR, для NLP ещё ACL и EMNLP. Записи и сборники трудов доступны без поездок;
- обзоры: авторские рассылки и блоги исследователей, которые разбирают статьи и отделяют шум от сути;
- сообщество: ODS, профильные каналы, внутренний reading club в команде.
Дальше опишите фильтр: читаете аннотацию и графики, проверяете, выложены ли код и веса, сравнивались ли авторы с сильными бейзлайнами. Главное: пример, как статья или модель дошла до дела. Например, вы сравнили новую модель эмбеддингов со старой на своей выборке и перешли на неё, потому что выросла метрика поиска. Цифры приводите свои.
Если вы data engineer, честный ответ может быть про другое: release notes Spark, Airflow и dbt, блоги разработчиков этих инструментов. Если постоянного мониторинга нет, так и скажите и назовите, как находите нужное под задачу.
Где спотыкаются
Называют arXiv, но не могут вспомнить ни одной недавней работы. Интервьюер спросит именно про неё.
Выдумывают опыт вроде «регулярно езжу на NeurIPS» или «читаю JMLR». Одно уточнение про последний доклад, и история рассыпается.
Советуют ресурсы, которые давно не обновляются, например Distill, который не выпускает новых статей с 2021 года. Это выдаёт, что список взят из чужой подборки.