算法工程师（数据侧）

优缺点分析

角色解读

• 纵向可发展为算法专家或首席科学家，深耕大模型底层技术
• 横向可转向AI业务负责人或技术管理岗，主导AI产品的商业化落地
• 从事大模型（LLM）及生成式AI的前沿算法研究与技术创新
• 设计并优化大模型训练与调优方案，探索RLHF、MoE等前沿技术以提升模型性能
• 推动算法在实际业务场景中的落地，并负责相关专利、标准和软著的布局
• 扎实的机器学习与深度学习基础，熟悉大模型（LLM）原理及训练流程
• 掌握RLHF、MoE、多模态等前沿大模型技术，具备算法落地与性能优化能力
• 具备良好的科研能力，能够撰写专利、标准及完成科研计划

申请策略

• 提前了解中国电信在AI及大模型领域的战略布局（如星辰大模型），在面试中展现对公司业务的理解
• 重点突出在大模型、NLP或生成式AI相关的项目经验或论文发表
• 展示对RLHF、MoE等前沿技术的理解及实际调优经验
• 强调科研成果转化能力，如已申请的专利或参与的开源项目
• 深入学习大模型训练框架（如Megatron-LM、DeepSpeed）及分布式训练技术
• 关注多模态及长上下文（long context）方向的最新论文与开源实践

面试指南

• 采用STAR法则（情境、任务、行动、结果）描述项目，重点突出技术深度和业务价值
• 回答技术原理时，结合数学公式或底层逻辑，并对比不同方案的优劣
• 请详细介绍你在LLM或生成式AI方向的一个核心项目，遇到了什么技术难点，如何解决的？
• 你对RLHF和MoE架构有什么理解？在实际训练中如何提升性能？
• 如果要将大模型落地到通信的实际业务场景中，你会如何设计技术方案？
• 针对多模态或长上下文方向，你了解目前业界的主流解决方案吗？
• 复习大模型核心论文（如Transformer、RLHF、MoE相关经典论文），确保对底层原理对答如流
• 了解中国电信“星辰”大模型及相关AI产品，准备1-2个结合通信业务的算法落地构想