腾讯游戏-大模型智能评测算法工程师

优缺点分析

角色解读

• 从智能评测专家进阶为大模型算法负责人，主导核心评测体系
• 横向拓展至大模型训练、Agent应用等方向，成为全栈AI人才
• 在腾讯游戏内部可转向AI产品落地或研究团队，持续深耕AI前沿
• 构建游戏视频/世界/数字人大模型的智能评测体系，制定评测标准与算子
• 优化SFT、RL、MoE等技术，提升评测效率与置信度，并用于训练数据处理
• 跟踪学术界前沿，将新方法融入现有评测体系，推动大模型迭代
• 扎实的多模态和NLP算法基础，精通Transformer架构及大模型原理
• 熟练掌握SFT/LoRA/CPT/RL等大模型训练与评测技术，有实战经验
• 熟练使用PyTorch或TensorFlow，具备较强的工程实现能力
• 优秀的逻辑思维和数据分析能力，能系统性解决问题

申请策略

• 申请时附上技术博客或GitHub链接，展示对大模型的理解和动手能力
• 面试前深入了解腾讯游戏AI业务，准备相关行业见解
• 重点突出参与过大模型评测或训练项目的经验，说明你在其中的具体贡献
• 强调SFT/RL等技术在实际场景中的应用成果，最好有量化指标
• 展示扎实的编程能力，如开源项目、竞赛奖项或高质量代码库
• 补充强化学习（RL）和Mixture of Experts（MoE）等进阶技术
• 了解视频生成和数字人领域的最新模型，如Sora、DreamPose等

面试指南

• 按目标-方法-评估框架回答：先定义评测目标（如效果、安全），再设计具体指标和算子，最后通过实验验证
• 对比分析不同技术的优缺点，结合场景说明选择理由，展现思考深度
• 如何设计一个覆盖视频生成大模型的多维度评测体系？
• SFT和RL在大模型评测中分别起什么作用？如何结合使用？
• 面对大规模评测数据，如何保证效率和准确率？
• 请介绍一个你参与过的智能评测项目，遇到了哪些挑战？
• 复习大模型基础：Transformer、预训练、后训练、RLHF等
• 准备一个完整的项目案例，涵盖问题定义、方案设计、实现细节和效果分析