【AI技术通用岗位】AI系统架构师/大模型算法研究员

优缺点分析

角色解读

• 纵向可成长为首席科学家、AI技术专家或大模型架构负责人，主导核心算法演进
• 横向可向AI产品化、多模态交互业务线负责人发展，推动技术向商业价值转化
• 负责预训练大模型的研发、微调与部署，优化模型性能并推动落地应用
• 设计基于大语言模型的多模态感知与交互方案，探索个人助手、搜索推荐等场景的通用模型
• 搭建系统级AI大模型开发平台，提供Prompt及LoRA定制能力，并探索前沿技术融合与论文专利产出
• 扎实的计算机与数学基础，精通C++/Python，熟练使用PyTorch或TensorFlow等深度学习框架
• 深入理解深度学习原理及各类神经网络架构，具备大模型设计与应用经验
• 具备多模态（声音、图像、视频等）融合感知算法经验，或有顶会论文发表背景者更具优势

申请策略

• 提前体验小米的AI助手（如小爱同学）及相关智能硬件产品，思考大模型在其中的优化空间
• 准备好过往项目中解决复杂工程或算法难题的深度复盘，以应对技术面的深度拷问
• 突出在大模型预训练、微调（如LoRA）及部署优化方面的实际项目经验与性能提升指标
• 详细列出多模态感知算法（视觉、语音等）的落地经验，或展示在ICML、NeurIPS等顶会的论文成果
• 强调C++/Python工程能力与深度学习框架（PyTorch等）的底层优化经验
• 深入学习大模型分布式训练、推理加速（如vLLM、TensorRT）及显存优化技术
• 关注多模态大模型（如视觉-语言模型）的最新进展，补充跨模态对齐与融合算法知识

面试指南

• 采用STAR法则（情境、任务、行动、结果）描述项目，重点突出技术难点、你的具体贡献以及量化的业务收益
• 对于系统设计问题，从需求分析、技术选型、核心模块设计、扩展性与性能优化等维度分层解答
• 请详细介绍你参与过的大模型预训练或微调项目，遇到了哪些显存或计算瓶颈，是如何解决的？
• 在多模态感知中，如何处理不同模态数据（如音频、图像、文本）的对齐与融合问题？
• 如果让你搭建一个支持Prompt和LoRA定制的大模型开发平台，你会如何设计系统架构？
• 请分享一篇你发表过的顶会论文，其核心创新点是什么？在工业界落地时做了哪些改进？
• 复习深度学习与Transformer架构的底层数学原理，准备手推公式或核心代码实现
• 梳理近期大模型领域的重磅论文（如MoE、长上下文、多模态对齐），形成自己的技术见解