大模型应用算法工程师（游戏生成方向）-中国交易与广告

优缺点分析

角色解读

• 技术深度方向：成为大模型/多模态领域专家，主导核心算法研发
• 技术管理方向：带领团队负责AI项目，晋升为技术Leader
• 业务交叉方向：深入理解游戏和内容行业，转型为AI产品负责人
• 构建高质量短剧和游戏数据集，通过数据合成技术优化数据质量
• 对多模态大模型进行后训练（CPT、SFT、RLVR等），提升模型理解和生成能力
• 设计并搭建Agent架构，探索Test-Time-Scaling技术
• 优化视频内容理解、用户兴趣挖掘、漫剧内容生产等实际业务场景
• 扎实的NLP和多模态算法基础，熟悉大模型训练流程（CPT、SFT、RL）
• 具备数据合成、知识图谱构建经验，能够处理大规模数据集
• 掌握Agent架构设计，了解强化学习（RL）和推理优化
• 优秀的编程能力（Python、PyTorch等）和工程落地经验

申请策略

• 在简历中明确技术栈和项目成果，使用量化指标（如提升XX%）
• 准备一个与游戏或内容生成相关的技术方案，展示业务理解
• 突出大模型训练或微调项目经验，展示SFT/RL等具体成果
• 强调多模态、NLP或知识图谱相关论文或开源贡献
• 展示数据处理和平台搭建能力，如数据合成、Agent框架
• 如果有游戏或内容行业项目经历，重点描述
• 系统学习大模型后训练技术（CPT、SFT、RLHF、RLVR）
• 动手搭建一个简单的Agent项目，熟悉ReAct、Tool Use等范式

面试指南

• STAR法则：描述情境、任务、行动和结果，突出个人贡献和技术难点
• 从问题定义、方案设计、实验验证三个层次回答，展示系统性思维
• 结合具体业务场景，说明技术选型的权衡（效果、成本、规模）
• 请介绍你参与过的一个大模型训练项目，并说明你的具体贡献
• 如何设计一个Agent架构来实现游戏内容生成？请给出技术方案
• 多模态数据合成中如何保证数据质量？有哪些常见问题？
• RLVR（Reinforcement Learning from Verifiable Rewards）的原理是什么？与RLHF有何区别？
• 如何评估生成内容的多样性？举例说明