资深CV 算法专家（基础模型方向）(J17138)

优缺点分析

角色解读

• 技术专家路线：在基础模型与对齐领域持续深耕，成为特定技术方向（如图像生成对齐）的权威
• 技术管理路线：带领AI算法团队，负责更大规模的AIGC项目研发与落地，规划技术方向
• 行业应用专家：深入理解手机影像等终端场景，成为连接前沿算法与产品落地的桥梁
• 设计并实现AIGC基础模型（如文生图、图像编辑）的后训练流程，使用SFT、DPO、GRPO等技术优化模型表现
• 构建和管理用于模型微调的大规模指令数据集，特别是人像相关场景
• 设计和训练多维度的奖励模型，以评估生成图像的质量、真实感与指令遵循度
• 将通用基础模型适配到具体的手机影像功能上，进行指令对齐和风格迁移
• 深入理解生成式AI基础模型（如扩散模型）及其后训练理论与方法（RLHF, DPO等）
• 具备大规模数据构建与清洗的实践经验，尤其是在人像生成和编辑领域
• 熟悉奖励模型的构建方法，并能针对不同维度（质量、一致性、安全性）进行设计
• 优秀的工程实现能力，能将算法设计转化为稳定、高效的模型训练与推理系统

申请策略

• 在投递前，深入了解传音在AI影像领域的技术博客或专利，面试时可作为交流话题
• 准备一个清晰的技术分享，阐述你对“如何提升生成模型指令遵循度”的思考与实践经验
• 突出与AIGC基础模型、强化学习（RLHF/DPO）相关的具体项目经历与成果
• 详细描述在数据构建、指令设计、奖励模型设计方面的实践经验，最好有量化指标
• 列举相关的顶会论文、开源项目或在知名AI竞赛中的成绩
• 强调对手机影像、人像处理等垂直领域的理解或相关经验
• 系统梳理并复习强化学习在大模型后训练中的最新进展（如GRPO、RLAIF）
• 深入学习并实践扩散模型及其变体（如MMDiT、Flow Matching）的训练与优化

面试指南

• 使用STAR原则（情境、任务、行动、结果）清晰描述过往项目，重点突出你的技术决策和贡献
• 回答理论问题时，结合具体方法（如DPO vs RLHF的优劣）和实际数据构建经验来阐述
• 对于开放性问题，展现你的思考框架，例如从问题定义、技术选型、数据处理、评估指标等多角度展开
• 请介绍一个你参与过的使用RLHF或DPO进行模型后训练的项目，你在其中负责什么？遇到了哪些主要挑战？
• 如何设计一个用于评估图像生成质量的奖励模型？你会考虑哪些维度？如何获取训练数据？
• 当用户指令模糊或存在矛盾时，如何设计策略让生成模型给出稳定且合理的输出？
• 在将通用的文生图模型迁移到手机人像编辑场景时，你认为最大的技术难点是什么？你会如何解决？
• 你对AIGC基础模型未来一年的发展方向有什么预测？