大模型算法与优化工程师（智能终端）(J18983)

优缺点分析

角色解读

• 深度专精：成长为大模型训练、推理加速或高效架构设计领域的专家工程师
• 技术广度：在算法优化基础上，可向模型产品化、系统架构或技术管理方向拓展
• 职业发展：表现优秀者可通过校招正式加入公司，成为核心研发团队的一员
• 在大模型训练、推理优化或架构研究三个方向之一，进行深度学习的实践与实验
• 负责数据清洗、模型训练、性能评测及实验报告撰写，支撑模型迭代
• 跟踪前沿论文与技术，复现关键工作，并将成果引入团队进行验证或应用
• 扎实的机器学习理论基础，特别是深度学习和反向传播原理
• 熟练使用Python和PyTorch框架，具备模型训练或微调的实践经验
• 对大语言模型（LLM）的训练、推理或优化有浓厚兴趣和基础了解
• 积极主动使用AI工具（如Codex, Cursor等）辅助开发，并乐于分享方法

申请策略

• 申请时可在求职信中具体描述你对“模型训练或推理”某个子问题的思考，展示你的热情与主动性
• 提前了解新华三在AI和智算领域的布局与产品，思考该岗位可能的技术应用场景
• 重点突出使用PyTorch进行深度学习模型训练、调优或复现论文的具体项目经历
• 清晰列举你熟练使用的AI开发工具（如Cursor, Codex等）及在学习和开发中的具体应用场景
• 如有，展示与机器学习、NLP相关的个人GitHub仓库、论文阅读笔记或技术博客
• 强调你对模型训练效率或推理速度提升所做的任何微小探索或思考
• 系统复习反向传播、优化器等核心机器学习理论，并动手实现小模型
• 深入学习PyTorch框架，尝试在开源数据集上微调一个小型语言模型（如使用LoRA）

面试指南

• 采用STAR法则（情境、任务、行动、结果）清晰描述项目经历和技术问题解决过程
• 结合具体代码片段或工具使用场景，演示你的AI-first思维和实际应用能力
• 从数据、模型、超参数、优化器等多维度分析，展示系统性的思考和扎实的理论基础
• 请介绍一个你使用PyTorch完成的机器学习项目，遇到了什么困难，如何解决的？
• 你日常如何使用AI工具（如Cursor）辅助编程或学习？请举例说明
• 如果你负责的模型训练loss不收敛，你会从哪些方面排查问题？
• 你了解的大模型高效架构或推理加速技术有哪些？简单说说其中一种的原理
• 为什么对大模型算法优化这个方向感兴趣？你为此做了哪些准备？