生成式搜推大模型算法实习生

优缺点分析

角色解读

• 从数据构建到模型训练，积累端到端的搜推系统经验
• 接触生成式大模型前沿，未来可转向算法工程师或研究员
• 优秀者有机会发表论文或参与核心项目，转化为正式岗位
• 构建和清洗音视频场景下的大模型训练与评测数据集，确保数据质量
• 跟进生成式搜推领域前沿算法，复现并改进相关模型
• 参与大模型的监督微调和强化学习训练，优化搜索推荐效果
• 扎实的机器学习/深度学习基础，熟悉大模型原理
• 熟练使用PyTorch或TensorFlow等框架
• 良好的Python和C++编程能力，能高效实现算法
• 具备NLP或CV方向的知识，理解搜索推荐业务

申请策略

• 在面试中主动表达对生成式搜推的理解和兴趣
• 提前了解小米相关产品（如音乐、视频）的推荐场景
• 突出NLP/CV或大模型相关项目经验，尤其是涉及搜索推荐的
• 展示编程能力：PyTorch/TensorFlow、Python/C++
• 如果发表过相关论文，重点标注
• 强调数据处理和模型训练的实际动手能力
• 复习大模型微调技术（LoRA、RLHF等）和常见强化学习算法
• 了解搜索推荐系统基础（召回、排序、多目标优化）

面试指南

• 结构化回答：问题背景→你的方法→具体实现→效果与反思
• 技术问题先讲原理再结合项目，展示深度
• 开放性题目先给出框架，再逐步细化
• 请简述大模型在搜索推荐中的优势与挑战
• 如何构造高质量的训练数据？数据清洗的策略有哪些？
• 介绍一种强化学习算法（如PPO）及其在大模型微调中的应用
• 你做过哪些与NLP/CV相关的项目？遇到了哪些困难？
• PyTorch中DataLoader和分布式训练如何优化？