智能算法工程师 （大模型）-机器人业务

优缺点分析

角色解读

• 在「医疗 + 大模型」的交叉领域积累稀缺经验，逐步成长为模型训练与对齐方向的资深专家
• 可沿技术专家路线发展（大模型架构、多模态融合、HPC 训练优化），也可转向算法团队管理
• 医疗机器人与医疗 AI 落地经验可迁移性强，在医疗、机器人、大模型等方向都有较宽的出口
• 负责医疗大模型从预训练、指令微调到 RLHF/DPO 对齐的全流程研发，把控数据配比、训练稳定性与效果评估
• 探索 MoE、长上下文窗口、Transformer 变体等高效架构，优化推理速度、显存占用与泛化能力
• 把模型落地到医疗诊断与手术机器人场景，重点解决幻觉、逻辑推理弱等可用性问题
• 跟踪学术界最新成果，复现并改进 RAG、Agent 协作等 SOTA 方案
• 扎实的深度学习与工程功底：精通 Python/C++，熟练使用 PyTorch、TensorFlow，算法与数据结构基础过硬
• 深入理解 Transformer 及其变体，具备 DeepSpeed 等大规模分布式训练的实战经验
• 熟悉主流开源大模型（Qwen、Cosmos、Claude 系列等）的训练与微调流程，能独立跑通完整训练链路
• 强问题解决能力与团队协作意识，能快速跟进快速演进的学术前沿

申请策略

• 面试前了解微创医疗机器人的产品线（如腔镜手术机器人）以及大模型可能切入的业务环节，准备针对性问题
• 准备好说明你如何把研究成果转化为可上线能力，医疗场景尤其看重可靠性与效果验证方式
• 突出大模型全流程经验：写清预训练/SFT/RLHF 的数据规模、模型参数量以及你负责的具体环节
• 量化训练成果：分布式训练吞吐、显存优化、推理加速等指标，以及评测集上的效果提升
• 强调工程能力：DeepSpeed/Megatron 等并行训练、CUDA 算子优化、训练不稳定问题的排查案例
• 补充学术与开源：顶会论文、竞赛名次、GitHub 项目，尤其是多模态或医疗相关成果
• 系统补齐分布式训练知识：数据/张量/流水并行、ZeRO、混合精度与显存优化策略
• 熟悉 RAG 与 Agent 框架的工程实现，做一个面向垂直领域的小型问答 demo 会更有说服力

面试指南

• 讲项目用「背景—方案—取舍—结果」结构：先说明约束与目标，再讲为什么选这个方案而非其他方案，最后给出量化结果
• 原理题先给结论再展开，可从复杂度、显存占用、收敛速度三个维度对比不同架构或并行策略
• 开放题结合业务拆解：把幻觉与可靠性问题拆成数据、训练、推理、检索几层，说明优先顺序与验证方式
• 请介绍一次你主导的大模型预训练或 SFT 全流程，数据如何构建、训练如何稳定下来？
• 你如何看待 Transformer 注意力复杂度问题？MoE 与长上下文方案各有什么取舍？
• 用过哪些分布式训练方案？遇到 loss 尖刺或显存不足时如何定位与解决？
• 医疗场景模型幻觉严重，你会从数据、训练、推理、RAG 哪几层入手解决？
• 你项目中的 RAG 与 Agent 如何评估效果？指标是如何设计的？