荣耀
多模态算法专家（内容理解方向）
多模态算法专家（内容理解方向）
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Dpo
Pytorch
Rlhf
Sft
内容理解
多模态算法
大模型
推荐系统
机器学习
值不值得投
67综合评分
综合评分 67
前沿多模态算法专家岗位，技术含量高、成长空间大，但办公模式和补偿信息未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
5万
比机器学习工程中位数高
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 230 个在招
市场机会
选择面较广
深圳 · 机器学习工程 · 74 个在招
职位详情
关于这个职位
该职位负责多模态内容理解算法的研发与优化，为推荐系统提供高质量内容特征，并推动算法在信息流、画报推荐等业务场景中落地
同时，跟踪多模态大模型前沿技术，探索技术突破与创新
最低要求
计算机科学、人工智能、数学等相关专业硕士及以上学历
具有扎实的机器学习与深度学习理论基础，对MLLM/LLM/CV/NLP/多模态等技术有深入的理解
熟悉主流 LLM / 多模态大模型（MLLM） 技术体系，有大模型后训练调优（如SFT、RLHF/DPO）及实际落地经验
具备良好的业务理解能力和技术判断力，能够从业务目标出发设计并落地算法方案，独立负责核心模块的技术攻关
扎实的编程与工程实现能力，熟练使用 PyTorch 等深度学习框架，熟悉大规模数据处理工具 (Hive、Spark 等)
具备优秀的沟通协作能力和持续学习能力，对前沿技术保持高度热情，能主动推进复杂问题的解决
工作职责
负责文本、图像、视频等多模态内容理解算法的研发与迭代，构建完善的内容标签体系、质量评分体系及知识表征体系，为推荐系统提供高质量的内容侧特征与语义信号
与推荐算法团队（广告算法、游戏算法、搜索算法、内容推荐算法）深度协作，推动多模态内容理解信号在内容表征、候选挖掘、召回、粗排、精排、多目标融合等推荐全链路环节中的落地应用，持续提升业务核心指标
支撑浏览器信息流、画报内容推荐、主题推荐等内容分发场景的算法需求，持续优化内容理解能力在业务场景中的效果
跟踪多模态大模型（MLLM）前沿技术进展，探索多模态内容理解、质量识别、知识增强等方向的技术突破与业务创新
负责多模态大模型的后训练优化，包括指令微调（SFT）、偏好对齐（RLHF/DPO）、模型评估及算法效果优化
AI 洞察
优缺点分析
优点
- 接触多模态大模型等前沿AI技术，技术积累深度和广度兼备
- 与推荐系统等核心业务深度结合，算法成果可直接量化业务价值
- 公司平台资源丰富，有利于技术落地和职业发展
- 跨团队协作频繁，沟通和推动复杂项目落地需要较强协调能力
- 适合对多模态AI有浓厚兴趣、具备扎实算法功底、乐于解决复杂技术问题并注重业务落地的求职者
缺点 / 挑战
- 算法研发需持续跟踪前沿，学习压力大，技术迭代快
- 业务指标导向，需平衡技术理想与实际效果，可能面临结果压力
角色解读
- 技术专家路线：深耕多模态AI领域，成为算法架构师或领域专家
- 技术管理路线：带领算法团队，负责技术战略与项目规划
- 研究创新路线：推动前沿技术探索，参与行业标准制定或学术合作
- 研发多模态内容理解算法，构建内容标签、质量评分和知识表征体系，为推荐系统提供高质量特征
- 与推荐算法团队紧密协作，将多模态信号应用于推荐全链路（召回、排序等），提升业务指标
- 支撑浏览器信息流、画报推荐等内容分发场景的算法优化，持续提升效果
- 跟踪多模态大模型前沿技术，探索技术突破与业务创新，并负责模型后训练优化
- 扎实的机器学习与深度学习理论基础，深入理解多模态大模型（MLLM）技术体系
- 熟悉大模型后训练调优技术（如SFT、RLHF/DPO），并有实际落地经验
- 良好的业务理解能力和技术判断力，能独立设计算法方案并解决复杂问题
- 熟练使用PyTorch等深度学习框架和Hive、Spark等大规模数据处理工具
申请策略
- 研究荣耀的内容业务场景（如浏览器信息流），将算法思路与业务结合
- 准备1-2个完整的算法项目案例，覆盖问题定义、方案设计、实施和效果评估
- 关注荣耀技术博客或公开分享，了解公司技术方向和文化，面试中体现诚意
- 突出多模态相关项目经验，如内容理解、大模型应用或推荐系统优化
- 详细列出机器学习/深度学习技能栈，包括PyTorch、Hive等工具使用经历
- 强调业务理解能力，举例说明算法如何驱动业务指标提升
- 展示对前沿技术的跟踪，如论文阅读、开源贡献或技术博客写作
- 深入学习多模态大模型最新论文（如CLIP、Flamingo）及开源实现
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化描述项目经验，突出个人贡献和业务影响
- 从数据、模型、评估、部署四个维度回答技术设计问题，体现系统思维
- 结合理论（如强化学习原理）和实践经验（如数据标注、效果评估）解释技术选型和优化思路
- 请介绍一个你负责的多模态内容理解项目，你在其中承担什么角色？
- 如何设计一套多模态内容标签体系？需要考虑哪些关键因素？
- 谈谈你对大模型后训练优化（如SFT、RLHF）的理解，并举例说明实践中的挑战
- 如果要将多模态内容信号应用于推荐系统的精排环节，你会如何设计技术方案？
- 你如何看待多模态大模型在内容理解领域的未来发展趋势？
职位点评
薪资福利60
成长发展85
工作生活50
使命价值75
薪资福利
60中等
JD未明确提及薪资待遇和具体福利，补偿性动机满足程度有限，需进一步确认。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
85较高
职位涉及多模态大模型等前沿技术，有探索创新和业务落地空间，发展性动机较好满足。
技术前沿前沿/新兴技术
技术栈MLLM、LLM、SFT、RLHF、DPO、PyTorch、Hive、Spark
业务类型ambiguous
工作生活
50较低
JD未提及工作模式、办公灵活性或WLB相关信息，生活化动机满足程度无法判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
多模态AI属于高速增长赛道，技术具有创新性和应用前景，意义感动机较好满足。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs