千问事业部-Omni全模态大模型算法专家-杭州/北京

优缺点分析

角色解读

• 技术纵深方向：从模型后训练到前沿对齐技术，成为大模型算法领域的资深专家
• 业务影响方向：深入实时交互场景，成长为技术负责人，驱动产品创新
• 横向发展：在阿里内部可转向多模态研究、Agent系统等更多前沿业务
• 负责Omni全模态大模型在实时音视频通话场景中的后训练与优化，包括SFT、RLHF等技术，提升模型交互能力
• 构建数据和评测体系，针对聊天、问答等场景设计标注规范和评估标准，形成数据闭环
• 与产品、工程等团队协作，解决实际问题，如打断恢复、多模态融合等，推动模型落地
• 扎实的深度学习和多模态基础，精通Python和PyTorch
• 熟悉大模型后训练和对齐技术，如SFT、RLHF、DPO、Online RL等
• 具备数据与评测体系建设经验，能设计实验并系统分析结果
• 良好的团队协作和沟通能力，能与多方配合推进项目

申请策略

• 关注阿里巴巴千问事业部的大模型业务，了解Omni模型的进展和应用场景，在面试中展示见解
• 准备一个自己主导的复杂项目，从问题定义、方案设计到实验迭代完整讲清楚
• 突出大模型后训练或对齐项目的实际经验，如做过SFT/RLHF，并量化效果提升
• 强调多模态或语音交互项目经验，体现与岗位的匹配度
• 展示数据闭环和评测体系搭建的完整案例，说明你的数据驱动意识
• 如果熟悉在线强化学习或Agent训练，可以着重突出
• 系统梳理RLHF、DPO、Online RL等最新对齐技术，了解原理和工程实现
• 多练习PyTorch分布式训练，熟悉大规模模型训练常见问题

面试指南

• 使用STAR法则描述项目：情境-任务-行动-结果，突出个人贡献和量化成果
• 从问题本质出发，先讲思路再讲细节，展现系统性和逻辑性
• 结合业务场景，说明技术选型和权衡，体现你的业务敏感度
• 请介绍你在多模态大模型后训练中做过的一个项目，遇到了哪些挑战，如何解决？
• 如何设计一个针对实时对话场景的评测体系？你如何保证评测指标的可靠性？
• 比较SFT、RLHF、DPO的适用场景和优缺点，你如何选择？
• 在模型训练中，如何平衡响应速度、自然度和任务完成效果？
• 如何处理对话中的打断恢复和上下文衔接问题？