混元大模型语音领域专家（北京/上海）

优缺点分析

角色解读

• 在腾讯大模型团队深耕语音评测领域，成为语音大模型评测方向的专家
• 横向拓展至其他模态（如视觉、多模态）的评测，或转向算法研发岗位
• 积累大模型全流程经验，未来可晋升为技术leader或专项负责人
• 构建语音大模型评测框架，涵盖对话、NLP、TTS、ASR等方向，确保模型效果可量化
• 设计并迭代评测标准与题库，定期输出评估报告，驱动模型优化
• 利用Prompt Engineering、代码、Workflow和Agent处理数据，提升数据质量和评测效率
• 与算法和产品团队协作，探索自动化评测与数据合成方法
• 扎实的语言学或语音学背景，熟悉语音交互场景，具备优秀的语感和情绪感知能力
• 至少1年语音数据相关经验，了解深度学习与大模型原理
• 出色的Prompt Engineering能力和代码基础，能独立设计Prompt策略并搭建工作流
• 良好的数据分析和沟通能力，思维活跃，耐心细致

申请策略

• 了解腾讯混元大模型的技术路线和语音产品（如腾讯会议、微信语音），在面试中体现业务理解
• 准备好展示你对评测体系独到见解的案例，或对语音数据的敏感度
• 突出语音相关项目经验，特别是评测框架搭建或数据标注处理经历
• 强调Prompt Engineering和代码能力，附上具体案例或GitHub链接
• 展示对语音大模型（如Whisper、TTS等）的理解和测评经验
• 如有深度学习和Agent搭建经验，务必重点描述
• 补充或强化Python编程和数据分析技能，熟悉pandas、NumPy等库
• 深入学习大模型评测方法论，如BLEU、WER、MOS等指标的优劣势

面试指南

• 对于设计评测框架的问题：先明确测评目标（准确率、自然度、鲁棒性等），再分维度设计指标（客观+主观），最后说明数据收集和自动化流程
• 对于Prompt Engineering问题：使用CRISP-DM框架（明确任务→设计Prompt→实验→优化），强调迭代和量化效果
• 对于自动化评测问题：结合行业趋势，提出规则+模型结合的方案，并讨论人工抽检的必要性
• 如何设计一个语音大模型的端到端评测框架？你会考虑哪些维度？
• 请举例说明你如何通过Prompt Engineering提升数据标注质量
• 你如何看待自动化评测与人工评测的平衡？
• 描述一个你解决过的语音数据质量问题，你的方法和效果
• 你了解哪些语音模型（如Whisper、FastSpeech等）？如何比较它们的性能？