持续学习算法实习生

优缺点分析

角色解读

• 实习期间可积累持续学习与大模型前沿经验，为后续研究或工程岗位打下基础
• 优秀实习生有机会转正为正式研究员或算法工程师，参与核心项目
• 长期可向大模型训练、AI Agent、记忆机制等方向深入发展
• 研究和实现持续学习算法，让大语言模型在使用中不断吸收新知识
• 设计并执行训练、微调、评测实验，验证算法的有效性和鲁棒性
• 探索个性化与长上下文场景，优化模型记忆与扩展能力
• 扎实的深度学习基础，熟悉模型训练、调参、评测流程
• 掌握 PyTorch 等主流框架，能快速搭建实验环境
• 具备快速原型能力，熟练使用 Vibe Coding 进行高效迭代

申请策略

• 在求职信中表达对持续学习的热情，并提及你对该方向的理解或想法
• 关注小米 AI 实验室的相关工作，提前了解团队已发表论文或开源项目
• 突出深度学习项目经验，尤其是模型训练、微调、评测的完整流程
• 强调 PyTorch 使用熟练度，附上 GitHub 链接或项目代码
• 如有持续学习、记忆机制、长上下文相关研究或课程项目，重点展示
• 体现快速原型能力，例如参与过 hackathon 或快速迭代的工程实践
• 补强持续学习方向的基础知识，如 Elastic Weight Consolidation、Replay 等方法
• 熟悉大模型微调技术，如 LoRA、Adapter、Prefix Tuning 等

面试指南

• 先定义问题或概念，再列举常见方法，结合自己的理解举例说明
• 采用 STAR 方法：情境-任务-行动-结果，清晰描述项目经历
• 遇到不会的题可展示思路：提出假设、设计验证步骤、分析可能结果
• 请解释持续学习中的灾难性遗忘问题，以及常见的缓解方法
• 描述一下你使用 PyTorch 训练模型时遇到过的一个 bug，以及如何解决的
• 如果让你在现有大模型上加入持续学习能力，你会如何设计实验？
• 什么是 LoRA？它与全量微调相比有什么优缺点？
• 你如何理解 Vibe Coding？举一个你快速实现想法的例子