腾讯游戏-大模型强化学习框架研发工程师/专家

优缺点分析

角色解读

• 技术深化：成为大模型训练框架与强化学习交叉领域的顶级专家
• 架构师路线：主导大规模分布式训练系统架构设计与优化
• 管理路线：可向技术团队Leader发展，带领核心框架研发团队
• 设计与开发视频生成及世界模型的强化学习训练框架，优化分布式训练性能
• 分析并改进RL训练全链路（数据加载、显存、通信、并行），提升效率
• 与算法团队协作，快速验证最新的RL对齐技术（如PPO、GRPO）
• 精通Python与系统编程，具备复杂系统的Debug能力
• 深入掌握大模型分布式训练框架（Megatron-LM、DeepSpeed等）
• 熟悉强化学习后训练与对齐技术，能解决RL工程痛点
• 了解主流生成模型（如扩散模型、Transformer），有AIGC项目经验

申请策略

• 准备一个你解决过的分布式训练或RL工程痛点的详细案例，体现技术深度
• 关注腾讯游戏在AI生成方向的最新动态，面试时展现对业务的热情
• 突出分布式训练框架（Megatron-LM、DeepSpeed）的研发或深度使用经验
• 强调RL对齐技术（PPO、GRPO等）的实际项目落地案例
• 展示AIGC相关项目成果，尤其是视频生成或世界模型方向
• 突出性能优化成果（如训练加速、显存优化等量化数据）
• 若未接触过RL训练框架（如Verl、ROLL），可快速上手并动手实践
• 补充对主流生成模型（如SORA类、扩散模型）的底层原理理解

面试指南

• 对于原理类问题，先解释核心概念，再结合自身经验说明实际应用或改进
• 对于优化类问题，按“问题分析-方案选择-实施效果”结构回答，强调量化指标
• 请描述Megatron-LM中张量并行和流水线并行的实现原理及优缺点
• PPO和GRPO在工程实现上的关键区别是什么？如何保证训练稳定性？
• 在视频生成模型训练中，数据加载和显存管理有哪些优化手段？
• 如何处理RL训练中奖励模型的不稳定问题？
• 你过去在AIGC项目中遇到的最大工程挑战是什么？如何解决的？
• 复习分布式训练框架源码关键部分，尤其是混合精度、通信拓扑等