光子 AI-大语言模型Coding算法专家

优缺点分析

角色解读

• 技术纵深：成为LLM Coding方向的核心专家，主导智能体系统架构设计
• 横向拓展：向多模态、通用AI Agent等前沿领域发展，或转向AI产品管理
• 管理方向：带领算法团队，担任技术负责人或团队Leader
• 研发大语言模型的Coding能力，构建能理解复杂代码任务并自动执行的智能体系统
• 优化Code Agent的指令遵循、长程任务执行等核心能力，提升代码生成准确率
• 参与数据构建、SFT、RL算法及Reward设计，持续提升模型的Coding表现
• 精通Python和C++，具备扎实的数据结构与算法基础
• 熟悉深度学习框架（如PyTorch）和大模型分布式训练、推理加速技术
• 深入理解LLM原理，有SFT/RLHF或Code Agent相关项目经验

申请策略

• 准备一个Code Agent或LLM Coding的详细项目案例，展示从问题分析到方案实现的完整思路
• 关注腾讯光子AI的技术博客和开源项目，面试时体现对团队技术方向的了解
• 突出LLM相关项目经验，尤其是Coding Agent、SFT/RLHF、预训练等实际工作
• 强调代码能力：GitHub开源项目、竞赛获奖、高质量代码仓库
• 量化成果：如模型效果提升百分比、Benchmark排名等具体指标
• 补充大模型分布式训练框架（Megatron、DeepSpeed）的实践经验
• 深入理解Code LLM最新论文，如StarCoder、CodeLlama等

面试指南

• 结构化回答：先从问题定义入手，再给出技术方案，最后总结成果和反思
• STAR法则：描述情境(Situation)、任务(Task)、行动(Action)、结果(Result)
• 结合论文与实践：引用最新研究，并说明自己的落地经验
• 请详细讲解你参与过的大模型训练项目，包括数据构建、模型架构和优化策略
• 如何提升LLM在代码生成任务中的指令遵循能力？请给出具体方案
• 你如何设计和实现一个Code Agent系统，使其能完成长程代码任务？
• 在分布式训练中，你遇到过哪些性能瓶颈？如何解决？
• 谈谈你对RLHF在Coding场景中应用的理解，Reward模型如何设计？