小米
算法实习生
算法实习生
发布于 2 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Numpy
Prompt工程
Pytorch
Rag
大语言模型
时序分析
机器学习
深度学习
值不值得投
72综合评分
综合评分 72
小米算法实习岗，前沿大模型与时序信号结合，技术成长空间大，但到岗时间要求高。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
6千
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 5770 个在招 · 其中机器学习工程 49 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 350 个在招
职位详情
关于这个职位
该职位主要负责高频时序信号的预处理、特征挖掘以及基于大语言模型的融合算法开发
你需要将算法能力封装为分析工具，支撑业务团队的问题排查与数据分析，并协同研发团队持续迭代优化算法方案
最低要求
本科及以上在读学生，计算机科学与技术、电子信息、自动化、统计学、数学等相关专业，2027 届及以后毕业生优先
具备扎实的数据处理能力，熟练使用 Python 语言，精通 Pandas、NumPy 等数据处理库，能够独立完成时序数据的清洗、统计与分析工作
掌握机器学习、深度学习基础理论，熟悉分类、异常检测、时序分析等常见算法，有相关项目、竞赛或科研经验者优先
了解主流大语言模型的使用逻辑与调用方式，有 Prompt 工程、大模型 API 开发、RAG 应用等相关经验者优先
具备良好的业务理解能力与逻辑思维，能够快速拆解业务需求并转化为可落地的算法方案，有较强的沟通协作与问题解决能力
实习保障：每周可到岗 4 天及以上，实习周期不少于 3 个月，可长期实习者优先
工作职责
毫秒级信号数据预处理：负责高频秒级时序信号的清洗、降噪、归一化、分段对齐等数据处理工作，构建标准化的信号分析数据集，保障数据质量与后续分析的准确性
特征挖掘与模式沉淀：结合业务场景需求，从时域、频域、时频域等多维度挖掘信号的功能特征与异常模式，梳理特征与业务问题的关联规律，沉淀可复用的特征体系
大模型融合算法开发：基于大语言模型能力，设计并实现信号问题的自动定位、智能分类、辅助根因分析等算法方案，探索大模型在时序信号分析场景的落地路径，提升问题排查效率
分析工具开发与优化：将算法能力封装为可复用的分析工具、脚本或可视化功能，支撑业务团队的日常问题排查与数据分析需求，持续优化工具的易用性与分析效果
业务需求对接与迭代：深度理解业务场景与痛点需求，协同业务、研发团队对齐算法目标，根据业务反馈持续迭代优化特征体系与算法方案
优先资格
有时序信号处理、故障诊断、工业监控、运维 AIOps 等相关领域项目或研究经验
熟悉 SciPy、PyWavelets、librosa 等信号处理工具库，有信号特征工程实战经验
熟悉 PyTorch、TensorFlow 等深度学习框架，有模型微调、小模型蒸馏相关经验
有大模型 Agent 开发、数据分析工具化产品、可视化看板开发经验
具备较强的工程落地能力，能够独立完成从算法原型到工具化输出的全流程
AI 洞察
优缺点分析
优点
- 接触前沿的大模型与AIOps结合场景，技术栈新颖，具有极高的行业前瞻性
- 依托小米的巨头平台，能接触到海量真实的毫秒级信号数据，积累宝贵的工程落地经验
- 业务导向明确，能将算法直接转化为工具赋能业务，快速提升解决实际问题的能力
- 对时序信号处理、大模型应用及AIOps有浓厚兴趣，具备扎实算法基础且渴望在真实业务场景中锻炼工程落地能力的在校生
缺点 / 挑战
- 毫秒级高频信号数据量大且复杂，对数据清洗和特征挖掘的工程能力要求较高
- 大模型在时序信号分析中的落地属于探索性阶段，可能面临技术瓶颈和效果调优的压力
角色解读
- 从算法实习生起步，可成长为时序信号分析或AIOps领域的算法工程师
- 深入大模型与工业/运维场景结合，向大模型应用专家或AI架构师方向发展
- 负责高频时序信号的清洗、降噪等预处理工作，构建标准化数据集
- 从多维度挖掘信号特征，并结合大语言模型开发自动定位、分类和根因分析算法
- 将算法封装为可复用的分析工具或可视化功能，支撑业务团队日常排查需求
- 扎实的Python数据处理能力，精通Pandas、NumPy等库，能独立完成时序数据分析
- 掌握机器学习与深度学习基础，熟悉分类、异常检测及时序分析算法
- 了解大语言模型调用逻辑，具备Prompt工程或RAG应用经验者优先
申请策略
- 提前了解小米在智能制造、汽车或IoT领域的业务场景，思考算法如何赋能具体业务痛点
- 准备好过往项目中的技术难点及解决思路，面试时重点展示逻辑思维与问题拆解能力
- 突出在时序数据处理、特征工程方面的项目经验，展示使用Python处理复杂数据的能力
- 强调大模型相关实践，如Prompt工程、RAG应用或Agent开发，体现对前沿技术的掌握
- 展示将算法模型封装为工具或可视化看板的工程落地经历，证明具备全链路开发能力
- 深入学习SciPy、PyWavelets等信号处理库，补充时频域分析的专业知识
- 熟悉PyTorch等框架的模型微调与蒸馏技术，提升深度学习模型的优化能力
面试指南
- STAR法则：针对项目经验问题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，突出个人贡献与业务价值
- 问题拆解法：针对开放性或故障排查问题，先界定问题边界，再从数据、模型、工程三个维度逐步分析原因并提出解决方案
- 请介绍一个你处理过的最复杂的时序数据项目，你是如何进行数据清洗和特征挖掘的？
- 在将大语言模型应用于时序信号分析时，你认为最大的挑战是什么？你会如何设计Prompt或RAG流程？
- 如果业务团队反馈你的算法工具在实际使用中效果不佳，你会如何排查问题并迭代优化？
- 请描述你如何将一个算法原型封装为可复用的工具，并保证其在生产环境中的稳定性？
- 复习时序信号处理的基础理论（如傅里叶变换、小波变换）及常用算法（异常检测、分类）
- 准备1-2个大模型应用（如RAG、Agent）的完整代码或架构设计，能够清晰讲解技术细节与优化思路
职位点评
薪资福利65
成长发展90
工作生活50
使命价值75
薪资福利
65中等
作为实习生岗位，薪资以实习津贴形式发放，虽在同类实习中处于中上水平，但整体绝对值受限于实习身份，补偿性动机满足度中等。
薪资信号未披露（AI估算：4–8千/月）
成长发展
90较高
岗位涉及大模型融合、时序信号处理等前沿技术，且强调工程落地与业务对接，能为实习生提供极佳的技术成长与业务理解机会。
技术前沿前沿/新兴技术
技术栈Python、Pandas、NumPy、机器学习、深度学习、大语言模型、Prompt工程、RAG、PyTorch、TensorFlow
业务类型ambiguous
工作生活
50较低
JD明确要求每周到岗4天及以上，实习周期不少于3个月，工作强度与时间投入要求较高，生活化动机满足度有限。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
岗位探索大模型在时序信号分析场景的落地，属于AI赋能实体业务的创新方向，具有一定的技术使命感与行业前瞻性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs