深度学习算法实习生

优缺点分析

角色解读

• 实习期内可快速积累从研究到落地的完整闭环经验，表现优秀通常有转正或推荐机会
• 沿算法工程师路线深耕，可向计算机视觉、多模态大模型、端侧模型优化等方向专精发展
• 具备框架设计与统筹经验后，可向算法负责人、技术专家或算法团队管理方向发展
• 围绕公司影像产品的真实业务场景，对深度学习模型做训练、调优与裁剪压缩，让算法能真正跑在产品和业务里
• 负责图像识别、目标检测、目标跟踪、视频动作理解等方向中一个或多个前沿算法的工程实现与效果迭代
• 参与多模态大模型的部署与微调工作，把大模型能力接入现有算法链路
• 在现有系统架构基础上提出新的算法思路，用前沿成果改进整体算法方案
• 扎实的深度学习基础，熟悉检测、跟踪、图像识别、视频理解等主流算法原理与训练技巧
• 熟练的工程实现能力，Python 与 C++ 是必备语言，能独立完成训练脚本、数据处理与推理代码
• 对大模型有一定认知，了解多模态模型的部署流程与微调方法（如 LoRA 等参数高效微调）
• 模型优化与压缩经验，包括量化、剪枝、蒸馏等，能把模型做到产品可用的算力与延迟水平

申请策略

• 了解影石的影像硬件产品线，思考算法在防抖、目标追踪、自动剪辑等场景中的可能应用，面试时能结合产品谈技术
• 投递时明确可实习时长与每周到岗天数，实习岗通常对投入时间有硬性要求
• 突出与检测、跟踪、视频理解或多模态相关的项目，写清数据集规模、指标提升幅度与你负责的具体模块
• 体现工程落地能力，例如模型量化/剪枝/蒸馏、TensorRT 或 ONNX 推理加速、端侧部署经验
• 展示 C++ 与 Python 的代码能力，可附 GitHub 仓库、竞赛名次或论文成果作为佐证
• 如有算法框架设计、多人协作开发的经历，单独列出以对应“优先”条件
• 补齐模型压缩与部署技能，熟悉至少一种推理框架（TensorRT / ONNX Runtime / NCNN）与量化流程
• 系统了解多模态大模型的结构与微调方法，动手跑通一次开源模型的 LoRA 微调与推理部署

面试指南

• 项目类问题用“背景—方案—我的工作—量化结果—复盘改进”的结构回答，重点落在你个人的贡献与可验证的数字上
• 技术原理类问题先给结论再展开对比，说明适用场景与失败案例，体现你真正跑过实验而不是只背概念
• 开放设计类问题先明确约束（算力、延迟、精度底线），再给出方案并说明权衡与验证方式
• 请介绍一个你从训练到部署完整落地的深度学习项目，指标提升了多少，关键改动是什么？
• 目标检测中你用过哪些模型，如何在精度和速度之间做取舍？
• 多目标跟踪的 ID Switch 问题你怎么理解，有哪些改进思路？
• 如果要把一个模型部署到算力受限的边缘设备上，你会采取哪些压缩与加速手段？
• 多模态大模型的微调你了解哪些方法，如何处理显存不足的问题？