研究型实习生-智能算法产品事业部-AI应用算法工程师

优缺点分析

角色解读

• 在多模态大模型与Agent应用领域积累深厚的工业界落地经验，成为该细分方向的技术专家
• 通过产出顶会论文与发明专利，建立学术与工业界的双重影响力，为未来晋升或深造打下坚实基础
• 升级电商客服场景的多模态检索与RAG链路，解决长上下文知识遗忘与检索不准问题
• 研发视觉定位增强的图文回复生成能力，实现Agent自主引用图片并进行空间标注
• 构建循环式On-Policy蒸馏的持续自进化训练体系，加速新品类与新话术的习得
• 扎实的PyTorch编程基础与独立的算法实现能力，熟悉多模态大模型（如Qwen-VL、CLIP）与RAG技术栈
• 具备大模型后训练实操经验，深入理解SFT、强化学习、知识蒸馏及分布对齐等核心技术
• 优秀的数理基础与评测能力，能够独立定义指标、构建评测集并从实验数据中定位问题

申请策略

• 提前了解阿里巴巴在电商客服场景下的多模态应用现状，阅读相关团队近期发表的论文或技术博客
• 重点突出在多模态大模型、RAG、视觉定位或图文生成方向的实际项目经验与具体成果
• 详细展示大模型后训练（SFT、RL、蒸馏）的实操经历，特别是对分布对齐和灾难性遗忘问题的解决思路
• 列出在人工智能顶级会议或期刊发表的论文，以及独立定义评测指标、搭建评测集的经验
• 深入学习Qwen-VL、SigLIP等最新多模态模型的架构与训练细节，熟悉主流RAG框架的优化策略
• 补充强化学习与知识蒸馏的理论知识，并尝试在开源模型上复现On-Policy蒸馏或自进化训练流程

面试指南

• STAR法则：针对项目经验，按照情境、任务、行动、结果的结构清晰阐述，重点突出行动中的技术细节与结果中的量化收益
• 问题拆解法：针对开放性设计问题，先拆解业务痛点，再从模型结构、训练策略、数据Pipeline、评测闭环等维度系统性给出解决方案
• 请详细介绍你参与过的多模态大模型或RAG项目，你在其中解决了哪些核心技术难点？
• 在大模型后训练中，你是如何处理分布对齐与灾难性遗忘问题的？请结合具体实验数据说明
• 针对电商客服场景，如果多轮对话中出现长上下文知识遗忘，你会如何设计检索索引与上下文压缩策略？
• 如何评估视觉定位增强的图文回复生成能力？你会定义哪些具体的评测指标？
• 深入复习多模态大模型、RAG、强化学习与知识蒸馏的核心理论，准备好自己过往项目的底层逻辑与实验数据
• 了解阿里巴巴智能算法产品事业部在电商客服领域的最新技术动态，思考如何将前沿算法与实际业务痛点结合