顶尖实习-结构化数据大模型算法研究员-AI实验室-实习

优缺点分析

角色解读

• 积累大模型实战经验，成为AI算法专家，后续可转为正式研究员或深造读博
• 深入理解业务场景，未来可向AI应用架构师或技术Leader方向发展
• 探索结构化数据大模型的前沿算法，包括数据合成、预训练和模型优化技术
• 挖掘和优化海量业务数据，提升数据集质量，用于大模型的持续预训练
• 研究模型加速与轻量化方案，如模型剪枝和量化，提升部署效率
• 扎实的图神经网络、知识图谱或因果推断研究背景，有CCF-A类论文更佳
• 熟练掌握深度学习原理和大模型技术，熟练使用PyTorch等框架
• 较强的编程能力，精通Python/C++，能独立实现算法原型

申请策略

• 申请时附上个人GitHub或论文代表作，提前了解小米AI实验室的研究方向
• 突出图神经网络、知识图谱或因果推断相关的研究项目经历，尤其是论文发表
• 强调深度学习和大模型方面的实战经验，如模型训练、调优、部署
• 展示编程能力，列出Python/C++项目，尤其是使用PyTorch的成果
• 补充模型剪枝、量化等模型加速技术的理论基础和动手实践
• 阅读最新顶会论文，掌握结构化数据大模型的研究动态

面试指南

• STAR法则：描述情境、任务、行动和结果，展示技术深度和问题解决能力
• 从原理到实践：先解释核心概念，再结合具体项目说明如何应用
• 请解释图神经网络在结构化数据上的应用，并举例说明
• 你如何设计一个数据合成方案来提升大模型在表格数据上的表现？
• 请介绍你使用PyTorch实现的一个深度学习项目，遇到过哪些挑战？
• 模型剪枝和量化分别的原理是什么？如何权衡精度和速度？
• 复习图神经网络、知识图谱、因果推断的核心论文和经典模型
• 练习手撕简单算法，如GCN、Transformer等，熟练使用PyTorch