多模态/AIGC算法工程师-国际电商

优缺点分析

角色解读

• 从算法工程师成长为多模态/AIGC领域的资深专家，深入技术前沿
• 可以向技术专家路线（P序列）或技术管理路线（M序列）发展，未来可带领技术团队
• 在字节国际化电商业务中，有机会接触到全球业务场景，拓宽国际视野，成长为跨领域的技术Leader
• 利用LLM和MLLM技术实现全球商品信息的结构化与标准化，包括属性抽取、类目挂载和标准库对齐
• 优化商品Listing质量，通过Agentic Learning和强化学习自动生成和优化商品详情页内容，提升搜索和推荐转化率
• 研发基于Diffusion模型或多模态大模型的AIGC方案，如商品图背景合成、AI模特生成和短视频自动化生产
• 跟踪前沿技术（如多模态大模型、Agent架构、强化学习）并在电商场景中落地，构建自进化的商品理解与创作智能体
• 扎实的深度学习基础，熟悉PyTorch/TensorFlow，掌握模型微调（SFT/LoRA）、思维链（CoT）、RAG等LLM技术
• 在多模态理解（MLLM）、AIGC图像/视频生成或强化学习（RL）等至少一个领域有深入研究和实践经验
• 具备分布式训练和大模型推理加速的相关知识，能够处理大规模模型训练和部署问题
• 良好的业务洞察力和团队合作能力，能够将复杂技术转化为电商业务价值

申请策略

• 关注字节跳动国际电商的业务动态，提前了解对商品理解、内容生成的具体需求
• 在面试中展现对技术落地的思考，多举实际案例说明你如何解决工程问题
• 突出在LLM、MLLM、AIGC或RL相关项目中的实际经验，包括模型训练、微调和部署细节
• 如果有发表的论文（NeurIPS、ICLR、CVPR、ACL等），务必清晰标注，这是加分项
• 展示工程能力：包括掌握PyTorch/TensorFlow、分布式训练、推理优化等具体技能和项目成果
• 强调业务结合能力，说明如何将算法技术转化为实际业务指标提升，如转化率、成本降低等
• 系统复习LLM的基础知识和最新技术（如Agent、RAG、LoRA等），并动手实践微调开源模型
• 了解多模态模型的典型架构（如CLIP、LLaVA）和Diffusion模型的原理，尝试复现简单项目

面试指南

• 项目类问题：使用STAR法则，清晰描述情境、任务、行动和结果
• 设计类问题：先明确业务目标和约束，再提出技术方案，并分析利弊
• 前沿技术类问题：展现知识深度，结合个人理解，说明技术原理和应用场景
• 请详细讲一个你训练多模态模型的经历，包括数据准备、模型选型、训练过程和结果评估
• 在商品属性抽取任务中，你会如何设计基于LLM的方案？如何处理低资源语言？
• 如何用Diffusion模型生成商品图时保持商品主体的一致性？有哪些工程优化？
• 你了解强化学习（RLHF/DPO）吗？如何将用户反馈引入Listing优化？
• 谈谈你对智能Agent在电商场景中应用的理解，如何设计一个自进化的智能体？