Token Foundry-大模型算法专家-AI Coding

优缺点分析

角色解读

• 可从算法专家晋升为高级专家/技术Leader，带领团队攻关大模型方向
• 横向扩展到Agentic AI、智能体系统等更前沿领域，成为领域专家
• 有机会在阿里内部跨业务调动，接触超大规模训练基础设施，积累稀缺经验
• 设计并训练Agentic Coding大模型，重点在后训练阶段（SFT/RL），提升模型在真实软件开发中的能力
• 打造Agentic Coding、Agent Teams等全链路智能化技术，推动AI编程从单模型走向多智能体协作
• 建设大模型训练的Harness体系，探索Auto Research技术自动化优化训练流程
• 将研究成果快速落地到Qoder、Lingma、CLI等产品，让技术直接服务于用户
• 扎实的机器学习/深度学习基础，尤其熟悉Transformer架构和大模型训练原理
• 丰富的实际操作经验，曾参与预训练或后训练，熟悉SFT、RLHF、PPO等训练方法
• 较强的工程能力，能编写高质量Python代码，熟悉PyTorch等框架，了解分布式训练
• 科研能力，能阅读前沿论文并复现，有顶会论文发表是加分项

申请策略

• 关注阿里巴巴Qoder和Lingma的产品规划，了解当前AI Coding产品的市场布局，在面试中展现业务敏感度
• 提前准备1-2个自己主导的技术方案，能清晰阐述从问题定义到技术落地的全过程
• 突出你参与过的大模型训练项目，尤其是后训练（SFT/RL）的具体细节，包括数据规模、模型参数量、指标提升等
• 强调你在代码生成或软件工程方向的任何工作，如代码模型、Agent系统，附上GitHub或论文链接
• 展示你的工程能力，如分布式训练优化、训练框架开发等，体现能落地的技术深度
• 如果发表过顶会论文，务必写在显眼位置，并简述与岗位的关联
• 熟悉Agentic Coding相关开源项目（如SWE-bench、AutoGPT、MetaGPT），尝试复现并提供改进思路
• 补充RL环节的实践，如PPO、GRPO等算法，了解最新的RLVR（可验证奖励）技术

面试指南

• 针对项目经验问题，用STAR法则（情境-任务-行动-结果）结构化回答，突出个人贡献和量化结果
• 对技术方案题，先明确目标，再比较不同方案，提出你自己的权衡，最后给出推荐并说明理由
• 对开放性产品题，结合你对产品和行业的了解，展示逻辑性和前瞻性
• 请详细描述你参与过的后训练项目，包括数据、模型、算法和最终效果
• SFT和RL在代码生成模型中各自的作用是什么？如何设计训练策略？
• 如何评估Agentic Coding模型的能力？你推荐哪些基准？
• 在分布式训练中遇到OOM或训练不稳定怎么处理？
• 你对Qoder这类AI编程工具的未来有什么看法？