大模型算法开发(J40566)

优缺点分析

角色解读

• 从大模型算法工程师成长为算法专家或技术负责人，主导核心模型架构设计与技术演进
• 可向AI Agent产品化、大模型商业化落地等方向拓展，成为兼具技术深度与业务视野的AI领军人才
• 负责大语言模型（LLM）的训练、对齐与评估，推动模型在实际业务场景中的落地
• 设计并开发Agent训练框架与自研模型，优化推理性能，探索前沿的Agentic AI建模与训练策略
• 跟进学术界与工业界的最新LLM和Agent算法进展，提升模型的推理能力与业务效果
• 扎实的机器学习与NLP理论基础，深入理解LLM原理及强化学习技术
• 具备优秀的工程编码能力，熟练掌握主流机器学习与深度学习框架
• 具备较强的学术跟进能力，能够阅读并复现前沿论文，有开源项目贡献或顶会论文发表经验者更佳

申请策略

• 了解海信集团的核心业务场景（如智能家居、智慧交通等），思考大模型与Agent技术如何赋能这些具体业务，在面试中展现技术与业务结合的思考
• 重点突出在LLM训练、对齐、强化学习（RLHF/PPO等）方面的实际项目经验
• 详细列出在ACL、NIPS等顶会发表的论文，或在知名开源项目、推理/Agent榜单上的贡献与排名
• 展示扎实的代码工程能力，如熟练使用PyTorch、DeepSpeed等训练框架
• 深入学习Agent架构设计（如ReAct、Tool Learning）及大模型推理优化技术（如vLLM、TensorRT-LLM）
• 关注并复现最新的LLM对齐算法和Agentic AI前沿论文

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出行动中的技术细节和结果中的量化指标（如榜单排名提升、推理速度优化比例）
• 对于算法原理问题，采用核心思想、数学直觉、工程实现的结构进行解答，展现理论与实践的结合
• 请详细介绍你参与的大模型训练或对齐项目，遇到了哪些挑战，如何解决的？
• 在Agent训练框架设计或自研Agent模型开发中，你采用了哪些策略来提升效果？
• 请解释一下RLHF或DPO的原理，以及在实际应用中如何调优？
• 你如何看待当前LLM推理能力在实际业务中的局限性，有哪些优化思路？
• 请分享一篇你最近阅读的LLM或Agent领域的顶会论文，它的核心贡献是什么？
• 复习大模型预训练、SFT、RLHF/DPO的完整流程及底层原理