大模型应用算法工程师-剪映CapCut

优缺点分析

角色解读

• 从算法工程师晋升为技术专家，主导大模型对齐方向
• 可横向发展至多模态、视频理解等前沿领域
• 在字节体系内有机会成长为技术Leader或架构师
• 负责剪映CapCut视频创作大模型的偏好对齐，使用SFT/RLHF等技术优化模型输出
• 构建视频创作智能Agent，提升指令遵从能力和创作效果
• 参与多模态模型的训练与推理优化，推动技术落地到产品中
• 扎实的机器学习/深度学习基础，熟悉大模型训练范式
• 精通Python和C++，熟练使用PyTorch、TensorFlow等框架
• 有RLHF或强化学习经验，了解PPO等算法
• 熟悉大模型训练工具链如Deepspeed、Megatron、vLLM等

申请策略

• 了解剪映CapCut的产品功能与视频创作场景，面试中可结合具体场景谈技术方案
• 提前准备大模型训练中遇到的常见问题及解决方案，展示解决问题的思路
• 突出大模型相关项目经验，特别是RLHF、SFT等实际落地项目
• 展示算法竞赛、顶会论文或开源贡献，体现技术深度
• 强调工程能力，如模型训练优化、推理加速等
• 附上技术博客或GitHub链接，展示对技术的热情
• 补充强化学习理论知识，深入理解PPO及其他RL算法
• 实践大模型训练框架如DeepSpeed、Megatron，了解分布式训练

面试指南

• 采用STAR法则（情境-任务-行动-结果）描述项目经历，突出个人贡献
• 从原理和实践两个层面回答技术问题，先讲理论再举实际案例
• 遇到不确定的问题时，展示分析思路和解决问题的框架
• 请详细描述你参与过的RLHF项目，包括数据收集、训练流程、调优经验
• 如何评估大模型的对齐效果？有哪些常用的评估指标？
• 多模态模型的偏好对齐与纯文本模型有何不同？如何设计奖励模型？
• 你在分布式训练中遇到过哪些问题？如何调试和优化？
• 对于视频创作场景，你认为大模型最关键的挑战是什么？