生成式搜推大模型算法实习生

优缺点分析

角色解读

• 从算法实习生成长为正式算法工程师，深入搜推或大模型领域
• 积累工业级推荐系统和大模型应用经验，未来可转向生成式搜索或多模态方向
• 有机会在小米获得转正机会，成为核心算法团队的一员
• 研究生成式检索模型的前沿算法，跟进学术进展并落地到小爱内容推荐场景
• 参与大模型SFT训练，构建训练数据，优化LLM在搜推任务上的效果
• 搭建离线评测数据集，跟踪模型指标，推动模型上线
• 扎实的信息检索、推荐系统或NLP理论基础，了解向量检索、向量量化等概念
• 熟悉Transformer和主流LLM原理，有PyTorch和Transformers库的使用经验
• 熟练Python编程，具备数据分析和处理能力

申请策略

• 在简历中明确写出可实习时间和每周天数
• 了解小米小爱同学的业务场景，在面试中展现对产品的理解
• 突出搜推或NLP相关项目经验，尤其是大模型微调、RAG或向量检索相关
• 强调编程能力（Python/PyTorch）和数据处理经验（Spark/Flink）
• 如果有相关论文或竞赛经历，务必列出
• 提前学习SFT、RLHF、RAG等LLM应用技术
• 复习信息检索和推荐系统经典论文，如DSSM、YouTube DNN等

面试指南

• 对于技术题，先阐述基本原理，再结合自己的实践经验举例说明
• 对于项目题，采用STAR法则：情境、任务、行动、结果
• 对于开放设计题，先明确问题边界，再分步骤提出方案
• 请介绍你做过的一个大模型相关项目，如何微调的？
• Transformer中的self-attention是如何计算的？有什么变体？
• 推荐系统中的召回和排序阶段常用的方法有哪些？
• 如何评估生成式推荐模型的效果？
• 请解释向量检索中IVF和HNSW的区别