海信
算法工程师（大模型方向）(J44954)
算法工程师（大模型方向）(J44954)
发布于 4 小时前普通员工/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
Deepspeed
Dpo
Lora
Megatron-Lm
Pytorch
Rag
Rlhf
Sft
值不值得投
74综合评分
综合评分 74
聚焦大模型前沿技术、成长空间广阔，依托实体企业场景落地，WLB与薪资信息未明确。
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
3.5万
与机器学习工程中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 720 个在招 · 其中机器学习工程 4 个
市场机会
选择不多
青岛 · 机器学习工程 · 4 个在招
职位详情
关于这个职位
该职位主要负责语言及多模态基础大模型的研发与优化，涵盖模型架构设计、训练流程优化、微调对齐及评估体系构建
你需要利用前沿技术支撑大模型在图像识别、视觉问答等下游任务的应用落地，并跟踪行业前沿推动技术转化
最低要求
人工智能、计算机或相关领域硕士及以上学历，有大语言模型或多模态模型研究开发经验
熟悉Transformer架构，了解GPT、LLaMA、Mistral等语言模型与CLIP、BLIP、LLaVA等多模态模型原理
具备NLP或CV基础，掌握注意力机制、自监督学习和对比学习等核心技术
熟练使用PyTorch等深度学习框架，了解DeepSpeed、FSDP、Megatron-LM等分布式训练系统
熟悉LoRA、QLoRA、PEFT等高效微调方法，能实现SFT、RLHF或DPO等对齐技术
具备团队协作与解决问题的能力，热爱技术创新
工作职责
参与语言、多模态基础大模型研发，设计、优化模型架构与算法，提升模型性能
深入研究多模态大模型，支持图像识别、视觉问答和跨模态生成等任务
优化模型训练流程，提升文本及其他模态数据的处理效率与质量，从模型架构、推理方案层面优化模型推理效率
实现模型微调（如SFT、RLHF、DPO等）与适配方案，针对不同下游任务进行性能优化，支撑大模型应用开发
参与构建评估体系，测试模型在语言理解、知识应用和多模态任务上的表现
跟踪大模型相关前沿技术及外围技术，推动团队技术研发，支撑技术转化落地
优先资格
具备Agent、RAG、Text2SQL等基础技术核心算法及模型研发经验者优先
AI 洞察
优缺点分析
优点
- 处于AI大模型核心赛道，技术栈前沿（多模态、RLHF、Agent等），极具技术含金量与行业竞争力
- 依托大型实体企业，有丰富的多模态数据与落地场景，利于技术转化与业务赋能
- 适合具备扎实深度学习基础、对大模型底层原理有深入研究，且渴望在AI前沿技术落地中发挥核心作用的算法人才
缺点 / 挑战
- 大模型技术迭代极快，需要持续投入大量精力跟踪前沿论文与开源社区动态，学习压力大
- 分布式训练与推理优化对算力资源和工程能力要求极高，可能面临算力瓶颈与调优难题
角色解读
- 纵向可成长为大模型算法专家或首席科学家，主导底层架构设计与核心技术攻关
- 横向可向大模型应用架构师或AI技术总监发展，负责业务场景落地与团队技术管理
- 负责语言及多模态基础大模型的架构设计与算法优化，提升模型整体性能与推理效率
- 实施模型微调（SFT、RLHF、DPO等）与适配方案，支撑图像识别、视觉问答等下游任务的应用落地
- 构建模型评估体系并跟踪前沿技术，推动大模型相关技术的研发与业务转化
- 扎实的NLP/CV基础，精通Transformer架构及主流大模型（如GPT、LLaMA、CLIP等）原理
- 熟练使用PyTorch及DeepSpeed、Megatron-LM等分布式训练框架，掌握LoRA、PEFT等高效微调技术
- 具备大模型对齐技术（RLHF/DPO）及Agent、RAG等应用层核心算法的研发与工程落地能力
申请策略
- 了解海信在智能家居、智慧交通等领域的业务布局，思考大模型如何与这些实体业务场景结合，面试时提出建设性想法
- 重点突出在大模型预训练、微调（SFT/RLHF/DPO）及分布式训练（DeepSpeed/Megatron）方面的实际项目经验
- 展示在Agent、RAG、Text2SQL等应用层技术的落地成果，体现从底层模型到上层应用的全链路能力
- 深入研读多模态大模型（如LLaVA、BLIP）的最新论文，掌握跨模态对齐与生成的核心机制
- 提升CUDA编程或底层算子优化能力，以应对大模型推理加速和显存优化的工程挑战
面试指南
- STAR法则：结合具体项目，从背景、任务、行动（技术选型与优化细节）到结果（性能提升指标）进行阐述
- 原理+实践：先简述算法底层数学原理或架构设计，再结合工程实践中的踩坑经验（如显存溢出、梯度消失）给出解决方案
- 请详细介绍你在SFT或RLHF/DPO对齐训练中的具体做法，遇到过哪些数据或训练不稳定的问题，如何解决的？
- 在分布式训练中，DeepSpeed和Megatron-LM的底层原理是什么？你是如何优化训练效率的？
- 针对多模态大模型，如何解决视觉特征与文本特征的对齐问题？
- 请谈谈你对RAG或Agent架构的理解，在实际项目中如何优化检索准确率或任务规划能力？
- 复习Transformer、注意力机制、RLHF等核心算法的推导过程，确保能应对深度的技术拷问
- 准备1-2个自己主导或深度参与的大模型项目，梳理其中的技术难点、创新点及最终收益
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
大模型算法岗属于当前市场高薪岗位，能提供具备竞争力的薪酬，但相比一线城市互联网企业可能略有差异。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
85较高
岗位聚焦大模型前沿技术，技术栈极具前瞻性，且依托丰富的业务场景，利于技术落地与个人技术深度的积累。
技术前沿前沿/新兴技术
技术栈Transformer、LLaMA、PyTorch、DeepSpeed、Megatron-LM、SFT、RLHF、DPO、LoRA、RAG、Agent
成长机会推动团队技术研发、支撑技术转化落地
业务类型ambiguous
工作生活
60中等
JD未提及工作模式与加班情况，但大模型研发通常面临较高的技术挑战与迭代压力，工作强度可能较大。
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
70中等
大模型技术具有广泛的社会赋能价值，在实体企业多领域的落地能产生实际的社会与经济效益。
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