技术深度解析
该应用的核心创新不在于问题本身，而在于将静态文本转化为交互式评估体验的架构。平台基于轻量级无服务器后端构建，可同时协调多个AI模型API。当用户提交代码解决方案时，系统会将查询路由至多个模型——包括GPT-4o、Claude 3.5 Sonnet、Gemini 2.0，以及Llama 3.1-70B和DeepSeek-V2等开源替代方案——并并排显示它们的输出结果。这一“模型对比”功能在技术上颇具挑战：需要精心设计提示模板以确保公平性，管理延迟以避免超时，并统一输出格式以便比较。
一个关键的工程决策是使用实时代码执行沙箱。该应用集成了基于WebAssembly的Python解释器（类似Pyodide但经过定制），直接在浏览器中运行用户代码。这消除了服务器端执行的需求，降低了成本和延迟，同时确保了安全性。沙箱预装了常见的AI/ML库，如NumPy、PyTorch和Transformers，使用户无需任何设置即可测试复杂的神经网络实现。
泄露的面试题本身以结构化JSON文件形式存储在一个公开的GitHub仓库中，该仓库在两周内已获得超过12,000颗星。仓库不仅包含问题，还提供了预期答案评分标准、常见陷阱以及相关论文链接。这种开源方式催生了一个贡献者社区，他们提交新问题、修复漏洞并添加难度标签和主题聚类等功能。
性能数据： 该应用后端每天处理约50,000次请求，模型对比的中位响应时间为1.2秒。下表展示了不同模型在泄露题集中10道编程题样本上的延迟和准确率：
| 模型 | 中位延迟（秒） | 通过率（10题） | 每次查询成本（美元） |
|---|---|---|---|
| GPT-4o | 1.8 | 9/10 | $0.05 |
| Claude 3.5 Sonnet | 2.1 | 8/10 | $0.03 |
| Gemini 2.0 Flash | 0.9 | 7/10 | $0.01 |
| Llama 3.1-70B (Together AI) | 3.5 | 6/10 | $0.02 |
| DeepSeek-V2 | 2.8 | 7/10 | $0.01 |
数据要点： Gemini 2.0 Flash提供了最佳的延迟与成本比，但牺牲了准确性。GPT-4o在复杂推理方面仍然最可靠，而Llama 3.1-70B等开源模型正在追赶，但在一致性上仍有差距。这些数据对于求职者决定用哪个模型练习极具价值。
关键参与者与案例研究
这位开发者在GitHub上以化名“AI_Leaker_42”活动，曾是一家中等规模AI初创公司的机器学习工程师。他们未透露真实身份，理由是担心前雇主的报复。泄露的面试题源自OpenAI、Google DeepMind和Anthropic等公司的内部面试准备文档。这些文档最初在一个私人Discord服务器上分享，随后被爬取并整理。
该应用已引起AI教育领域多个关键参与者的关注。据报道，DataCamp和Coursera已接洽商讨合作，但尚未宣布任何交易。更有趣的是，Scale AI和Cohere等公司的内部培训团队已采用该应用，在面试过程中直接评估候选人。这形成了一个反馈循环：应用的用户表现数据正被用于优化面试题。
竞争格局： 下表将该应用与现有的AI面试准备平台进行了比较：
| 功能 | 本应用 | LeetCode（AI赛道） | Interview Query | HackerRank（AI） |
|---|---|---|---|---|
| 实时代码执行 | 是（基于浏览器） | 是（服务器端） | 否 | 是（服务器端） |
| 多模型对比 | 是 | 否 | 否 | 否 |
| 泄露问题 | 是（50道） | 否 | 否 | 否 |
| 社区贡献 | 开源 | 封闭 | 封闭 | 封闭 |
| 费用 | 免费（需API密钥） | $35/月 | $49/月 | $25/月 |
| 用户基数（月活） | ~150,000 | ~500,000 | ~50,000 | ~200,000 |
数据要点： 该应用独特的“多模型对比”功能是一个明显的差异化优势。其免费、开源的模式正在颠覆现有平台的付费订阅模式。然而，较小的用户基数和对泄露内容的依赖带来了可持续性风险。
行业影响与市场动态
该应用的崛起反映了AI人才市场的更广泛转变。据行业估计，全球AI教育市场在2024年价值42亿美元，预计到2029年将增长至128亿美元。然而，这一增长越来越多地由“微学习”工具驱动，而非传统的学位课程。该应用的成功验证了一个论点：求职者更喜欢动手实践、交互式且经社区验证的学习方式，而非静态课程。
这一现象也凸显了商品化趋势。