结构化数据大模型算法实习生-AI实验室

优缺点分析

角色解读

• 在小米AI实验室积累前沿大模型研究经验，可转向正式算法工程师或研究员岗位
• 发表高水平论文，为学术界或工业界研究岗位奠定基础
• 未来可深入多模态、通用人工智能等更广阔领域
• 研究结构化数据大模型（Tabular Foundation Model），探索预处理、数据合成、预训练等前沿算法
• 优化模型性能，包括剪枝、量化等轻量化设计，提升推理效率
• 在海量真实业务数据上进行数据挖掘与预训练，提升数据质量与多样性
• 扎实的深度学习和计算机基础，灵活应用解决实际问题
• 图神经网络、数据合成、知识图谱或因果推断等研究方向经验
• 熟练使用Claude Code、OpenClaw等工具，善于利用AI Agent辅助研发

申请策略

• 准备一份简洁的研究陈述，说明自己为何对Tabular Foundation Model感兴趣以及过往贡献
• 关注小米AI实验室的公开研究方向，展示对公司业务的理解
• 突出图神经网络、数据合成、知识图谱或因果推断相关的研究项目，特别是CCF-A类论文
• 强调使用Claude Code、OpenClaw等工具解决复杂问题的经历
• 展示扎实的编程和深度学习实践能力，如GitHub项目或竞赛奖项
• 深入学习Transformer、预训练模型的最新进展，特别是基于表格数据的模型
• 熟悉模型剪枝、量化等加速技术，以及PyTorch等框架的优化工具

面试指南

• 针对研究经历问题，采用STAR法则：背景、任务、行动、结果，突出创新点和论文发表
• 针对技术问题，先阐述基本原理，再结合具体项目举例说明，最后总结优缺点
• 针对开放性问题，展示思考过程，从数据、模型、应用三个层面分析
• 请介绍一下你参与过的图神经网络或知识图谱研究项目
• 你对Tabular Foundation Model的理解是什么？它与LLM有何异同？
• 数据合成中如何保证生成数据的质量和多样性？
• 如何对一个大模型进行剪枝或量化？请介绍具体方法
• 你如何利用AI Agent（如Claude Code）辅助研发？