日常实习生-业务技术-大模型算法工程师

优缺点分析

角色解读

• 向首席算法科学家或大模型架构师方向发展，主导前沿多模态生成技术的突破
• 转向 AI 产品经理或技术负责人角色，统筹从算法研究到业务规模化落地的全链路
• 深耕学术领域，依托大厂算力与数据资源持续产出高水平顶会成果，建立行业影响力
• 聚焦大语言模型与视觉语言模型的后训练阶段，通过SFT、RLHF、DPO等技术优化模型输出质量
• 针对场景合成与空间布局生成任务，进行多模态理解与空间关系建模的研究与算法调优
• 设计系统性实验与评测体系，验证模型在空间约束满足与用户偏好对齐上的表现
• 将研究成果转化为可落地的算法方案，支持实际业务场景中的可控生成与稳定推理需求
• 精通 Python 与 PyTorch 框架，具备扎实的深度学习底层原理与算法工程实现能力
• 深入掌握 LLM/VLM 训练流程，熟练运用 SFT、RLHF、DPO 等主流对齐与后训练技术
• 具备多模态数据处理能力，熟悉空间理解、2D/3D 布局生成或用户意图建模方法
• 拥有优秀的科研素养，能独立完成文献调研、实验设计、数据分析与顶会论文撰写

申请策略

• 提前研究目标团队近期发表的顶会论文或技术博客，面试时针对性提出技术见解
• 关注阿里通义实验室或达摩院的招聘动态，了解内部转正考核标准与培养体系
• 突出顶会论文发表记录及具体贡献（一作/共一），详细列出复现或改进的核心算法模块
• 强调 PyTorch 工程能力与分布式训练经验，展示在大模型微调/对齐项目中的量化成果
• 补充多模态或空间理解相关的课程项目/竞赛经历，体现跨领域知识融合能力
• 系统梳理 Transformer 架构变体及注意力机制优化技巧，夯实底层理论
• 动手实践主流开源大模型（如 Llama、Qwen）的 SFT 与 RLHF 全流程代码
• 学习空间几何与 3D 渲染基础，了解 NeRF 或 3D Gaussian Splatting 等空间表示技术

面试指南

• 采用 STAR 法则结构化回答：背景(Background)→任务(Task)→行动(Action)→结果(Result)，重点突出个人技术决策与量化收益
• 理论结合实践：先阐述算法数学原理与假设条件，再说明工程实现细节（如显存优化、数据清洗策略），最后给出消融实验结论
• 展现批判性思维：不盲目推崇最新方法，能客观分析不同技术路线的适用边界与潜在风险
• 请详细描述你过去参与的大模型 SFT 或 RLHF 项目，遇到了哪些对齐偏差问题？如何解决的？
• 对比 DPO 和 PPO 在后训练阶段的优劣，在实际场景中你会如何选择超参数？
• 如何实现模型在复杂空间约束下的可控生成？有哪些经典的损失函数或解码策略？
• 如果线上推理延迟过高，你会从模型结构、量化还是服务部署角度进行优化？
• 精读近半年 ACL/ICLR/CVPR 关于 LLM 对齐与多模态生成的 Top 论文，整理技术对比表格