物理信息融合算法工程师(27届校招)

优缺点分析

角色解读

• 从参与预训练与微调工作起步，逐步独立负责分布式训练策略设计
• 深入工业多模态数据与模型架构优化后，可成长为大模型训练方向的算法专家
• 长期可向工业AI平台架构师或算法团队负责人方向发展
• 参与工业垂直领域基础大模型的预训练、全量微调与参数高效微调
• 研究分布式训练加速与显存优化框架，设计数据并行、模型并行或混合并行策略
• 针对工业数据特征优化深度学习网络架构，提升模型生成质量与泛化能力
• 构建面向工业大规模多模态数据的高质量训练数据流
• 需要深入理解Transformer架构与生成式AI算法
• 具备多机多卡分布式训练实操经验，熟悉显存优化、混合精度训练与显卡利用率调优
• 熟练掌握Python与工程封装能力，熟悉Linux与Docker环境

申请策略

• 准备一个完整的训练调优案例，能讲清问题定位与优化过程
• 关注工业大模型与物理信息融合的应用背景，体现对业务场景的理解
• 突出参与过的大模型训练或微调项目，写明模型规模、并行策略与卡数
• 展示对Transformer及生成式算法的理解深度
• 列出PyTorch等框架、Docker与Linux环境的实战经验及开源贡献
• 系统梳理数据并行、张量并行、流水线并行等并行策略原理与适用场景
• 练习混合精度训练与显存优化的调优手段
• 了解QAT等模型压缩量化方法以覆盖加分项

面试指南

• 原理类问题先讲机制再结合实例说明
• 工程类问题用「现象—定位—方案—效果」结构展示实操经验
• 开放性问题结合工业数据特点谈架构选择的权衡
• 请介绍Transformer的核心机制及你熟悉的衍生模型
• 你做过哪些多机多卡分布式训练，如何定位并解决训练瓶颈？
• 数据并行、模型并行与混合并行分别适用什么场景？
• 混合精度训练的原理与显卡利用率调优你会怎么做？
• 谈谈你对模型压缩与量化（如QAT）的理解