研究型实习生-风险域基座大模型

优缺点分析

角色解读

• 在实习期间积累大模型研究经验，可发表顶会论文，提升学术影响力
• 表现优秀可转正为正式研究员，深入风险域大模型方向，成为技术专家
• 未来可向技术管理或资深研究方向发展，或转向其他业务领域的大模型应用
• 参与风险域基座大模型的研究与设计，包括数据飞轮、合成数据、质量评估等数据相关工作
• 负责文本模型的持续预训练和后训练，涉及指令遵循、推理强化、强化学习等技术
• 参与多模态模型的预训练、对齐和强化，提升模型对视觉细粒度信息的理解
• 探索模型训推加速与架构优化，如MoE、模型蒸馏、动态神经网络等
• 扎实的计算机、数学或统计学基础，具备独立科研能力
• 熟悉大模型相关技术，有实际落地或研究经验，了解预训练、微调、强化学习等
• 掌握Python和主流深度学习框架（如PyTorch），有顶会论文或开源项目经验更佳
• 对前沿技术保持热情，具备快速学习和解决问题的能力

申请策略

• 了解阿里巴巴安全部及御风大模型背景，在面试中展示对业务场景的理解
• 准备一个研究项目案例，详细说明你的贡献和成果
• 突出科研项目经历，特别是大模型、机器学习相关的研究成果，如论文、开源项目
• 强调编程能力和框架使用经验，如Python、PyTorch、TensorFlow
• 展示数据相关经验，如数据处理、合成数据、质量评估等
• 如有竞赛获奖或开源贡献，务必列出
• 提前熟悉大模型预训练、微调、强化学习等核心技术，可阅读相关论文
• 动手实践开源大模型项目，如LLaMA、ChatGLM等，积累实操经验

面试指南

• 用STAR法则回答问题：情境、任务、行动、结果，突出你的具体贡献
• 结合前沿技术，展示对最新论文和方法的了解
• 强调实际落地效果，体现工程思维
• 请介绍你在大模型方面的研究或项目经验
• 如何设计数据飞轮来提升模型性能？
• 你对强化学习在模型训练中的应用有何理解？
• 多模态模型如何实现模态对齐？
• 如何优化大模型的推理速度？