大模型算法工程师（视频/图片创作-评估方向）-剪映CapCut（北京/上海/杭州/深圳/广州）

优缺点分析

角色解读

• 向多模态评估专家或大模型应用专家发展，深入掌握自动化评测与生成技术
• 横向扩展至创作Agent全链路研发，成为算法团队技术骨干或负责人
• 积累行业影响力，通过顶会论文和开源项目成为领域知名专家
• 负责构建和优化视频/图片创作Agent的自动化评测系统，包括设计评估框架、制定数据标准
• 应用Prompt Engineering、SFT、RL等方法训练和优化评估模型，提升准确性和泛化能力
• 与业务团队协作，将评估方案落地到不同创作场景，并通过闭环反馈驱动生成效果提升
• 跟踪前沿技术，分析行业竞品，识别模型瓶颈，推动评估体系升级
• 扎实的编程能力（Python/C++等）和算法基础，熟悉数据结构与主流竞赛经验更佳
• 深入理解NLP、CV、ML领域，熟悉大模型训练技术（RLHF、SFT）及Transformer、DiT等架构
• 掌握多模态评估指标（如FID、CLIP Score、BLEU）和评测方法论，能构建人机对齐的评估策略
• 良好的问题分析与沟通协作能力，能主导技术方向并推动落地

申请策略

• 在简历中用量化结果突出你对评估系统的影响，例如‘提升了xx%的准确率’或‘覆盖了xx个场景’
• 面试前研究剪映CapCut的产品功能，思考其评估需求，准备有针对性的解决方案
• 突出大模型相关项目经验，尤其是自动化评测、RLHF、SFT等方向的实践
• 展示顶会论文、竞赛获奖（如Kaggle、ACM）或开源贡献，证明学术和工程实力
• 强调多模态（文本、图像、视频）领域的项目成果，包括评估指标优化和模型调优经历
• 系统学习大模型训练技术（如RLHF、SFT），掌握主流框架（PyTorch、HuggingFace）
• 深入理解常见生成模型评估指标（如FID、Inception Score、CLIP Score），并尝试在实践中应用
• 补强多模态知识，了解视频/图像生成模型（Diffusion、GAN）的原理和评估方法

面试指南

• 使用STAR结构：情境-任务-行动-结果，突出技术难点和你的贡献
• 对于开放设计题，先明确问题边界，列出关键因素，再给出权衡方案，展现系统性思考
• 对于技术细节题，结合数学原理和工程实践，举例说明调优过程
• 请介绍一个你主导的自动化评测项目，包括评测指标如何选择、如何保证评估质量？
• 如何设计一个多模态（文本+图像）评估框架？需要考虑哪些维度？
• RLHF中的奖励模型如何训练？如何避免reward hacking？
• 比较几种视频生成模型的评估指标（如FVD、CLIP Score），它们的优缺点是什么？
• 如果你发现自动评估结果与人工评估不一致，你会如何分析和解决？