算法工程师（大模型）(J38484)

优缺点分析

角色解读

• 纵向可成长为大模型算法专家或首席科学家，主导核心模型架构演进
• 横向可向大模型应用架构师或AI技术总监发展，负责AI技术商业化落地与团队管理
• 负责语言及多模态基础大模型的核心算法研发，包括模型架构设计与性能优化
• 实现并优化模型微调与对齐技术（如SFT、RLHF、DPO），支撑下游大模型应用开发
• 构建模型评估体系，跟踪前沿技术并推动技术转化落地
• 扎实的深度学习与NLP基础，精通Transformer架构及主流大模型（如LLaMA、Mistral）原理
• 熟练使用PyTorch及分布式训练框架（DeepSpeed、Megatron-LM），掌握高效微调方法（LoRA、PEFT）
• 具备多模态模型（CLIP、LLaVA）研发经验，了解Agent、RAG等前沿应用架构

申请策略

• 投递时可根据自身发展偏好选择城市，并在简历中明确意向工作地
• 提前了解海信在智能家居、智慧交通等核心业务场景的AI布局，面试时结合业务谈技术落地
• 重点突出在大语言模型或多模态模型上的实际项目经验，如预训练、微调或对齐（SFT/RLHF）的具体成果
• 展示在分布式训练（DeepSpeed/Megatron）或高效微调（LoRA/PEFT）方面的工程优化经验
• 若有Agent、RAG或Text2SQL等应用层算法的研发落地经验，应作为核心亮点呈现
• 深入理解多模态对齐机制及RLHF/DPO的底层数学原理，提升模型调优能力
• 熟悉主流开源大模型的源码及推理加速框架（如vLLM、TensorRT-LLM），增强工程落地能力

面试指南

• STAR法则：针对具体技术难点，阐述背景（Situation）、任务（Task）、采取的行动（Action，如算法改进或工程优化）以及最终量化的结果（Result）
• 原理+实践：先简述算法或框架的底层核心原理，再结合自己项目中的实际参数配置、踩坑经验及解决方案进行深度剖析
• 请详细介绍你在SFT或RLHF/DPO对齐技术中的具体实践，遇到过哪些数据或训练不稳定问题，如何解决的？
• 在分布式训练中，DeepSpeed和Megatron-LM的底层原理是什么？你是如何优化通信和显存占用的？
• 多模态大模型中，视觉特征与文本特征是如何进行对齐和融合的？请结合CLIP或LLaVA的架构进行说明
• 针对RAG或Agent系统，你是如何优化检索准确率或任务规划成功率的？
• 复习Transformer、注意力机制变体及主流大模型（LLaMA、Mistral）的架构细节，准备手写或口述核心代码逻辑
• 梳理自己过往项目中的核心指标（如Loss下降曲线、显存占用优化比例、下游任务准确率提升等），用数据支撑技术深度