
阿里巴巴
研究型实习生-行为多模态大模型算法实习生
研究型实习生-行为多模态大模型算法实习生
发布于 1 天前实习/见习
实习生仅现场办公AI算法
AI算法
Lora
Pytorch
Rlhf
Sft
多模态大模型
大模型
行为风控
值不值得投
75综合评分
综合评分 75
前沿大模型算法实习,技术成长强,风控场景落地价值高,办公灵活性未披露
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便比较实习机会。
薪资怎么样
1.0万
比AI算法中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 5250 个在招 · 其中AI算法 约 120 个
市场机会
选择面较广
杭州 · AI算法 · 约 130 个在招
职位详情
关于这个职位
这是一个面向硕博在读学生的行为多模态大模型算法实习岗位,主要参与行为防控场景中的大模型算法研究、模型结构设计与训练策略优化
你将围绕意图识别、风险判定等任务构建模型方案,并参与数据处理、评估体系建设和前沿大模型技术落地
最低要求
计算机科学、人工智能、数学、统计学等相关专业硕士或博士在读
扎实的机器学习与深度学习基础,熟悉 Transformer 架构及主流大模型(如 GPT、LLaMA、Qwen 等)的原理与训练流程
熟练掌握 Python,熟悉 PyTorch / Hugging Face 等深度学习框架和工具生态
具备良好的沟通协作能力和自驱力,能主动发现并解决问题
工作职责
参与大模型在行为防控场景中的算法研究与优化工作,针对行为数据多源异构的特点参与包括模型结构设计、训练策略调优等工作
针对行为风控中的意图识别、风险判定等任务,设计并实现高效的模型解决方案
跟踪大模型领域前沿技术进展(如 LLM 微调、RLHF、模型压缩与蒸馏等),并探索在业务场景的落地应用
参与数据清洗、标注策略优化和评估体系建设,持续提升模型效果
优先资格
具备大模型微调(SFT / LoRA / RLHF)、Prompt Engineering 或模型压缩与蒸馏的实践经验者优先
了解多模态大模型的常用架构有相关竞赛或论文发表经历者优先
AI 洞察
优缺点分析
优点
- 行为防控场景具有明确业务目标,能接触从数据处理、模型训练到效果评估的完整链路
- 对硕博在读学生较友好,适合希望将论文、竞赛或研究经验转化为业务落地经验的求职者
- 能接触主流大模型训练工具生态,有助于积累可迁移的工程与研究能力
- 行为风控数据多源异构,数据清洗、标注策略与评估体系建设可能比单纯模型训练更复杂
- 业务场景强调模型效果与落地效率,可能需要在探索创新和稳定交付之间平衡
- 适合计算机、人工智能、数学、统计等专业硕博在读,且希望深入研究大模型算法、多模态建模和风控场景落地的求职者
缺点 / 挑战
- 岗位直接聚焦大模型、多模态、RLHF、模型压缩等前沿方向,技术成长密度较高
- 大模型研究型实习对理论基础、代码能力和阅读前沿论文的要求较高,需要快速学习与验证
角色解读
- 从算法实习生逐步积累大模型训练、微调、评估和业务落地经验,可向大模型算法工程师或研究型算法岗位发展
- 若在多模态、行为风控、模型压缩等方向持续深耕,可成长为专项算法专家或研究科学家
- 也可以向算法工程化、模型平台、风控策略与业务架构结合的方向拓展
- 参与行为防控场景的大模型算法研究,围绕多源异构行为数据做模型结构设计和训练策略优化
- 针对意图识别、风险判定等风控任务,设计并实现可落地的模型解决方案
- 跟踪 LLM 微调、RLHF、模型压缩与蒸馏等前沿方向,并尝试迁移到业务场景中
- 参与数据清洗、标注策略优化和评估体系建设,推动模型效果持续提升
- 需要具备扎实的机器学习和深度学习基础,理解 Transformer 及主流大模型原理与训练流程
- 需要熟练使用 Python,并掌握 PyTorch、Hugging Face 等深度学习框架和工具生态
- 具备 SFT、LoRA、RLHF、Prompt Engineering、模型压缩与蒸馏等实践经验会更有竞争力
- 需要良好的沟通协作能力和自驱力,能够在研究探索和工程落地之间主动推进问题
申请策略
- 申请时建议明确说明自己能实习的时间、每周到岗天数以及可长期稳定参与的程度
- 可提前了解行为风控、意图识别、风险判定等业务问题,面试中体现对算法落地价值的理解
- 重点突出与机器学习、深度学习、Transformer、大模型微调相关的课程、项目或科研成果
- 写明使用 Python、PyTorch、Hugging Face 的具体项目经历,包括数据规模、模型方法、评估指标和最终效果
- 如果有 SFT、LoRA、RLHF、Prompt Engineering、模型压缩与蒸馏经验,应单独列出并说明贡献
- 如有论文、竞赛、开源项目或风控/多模态相关经历,应突出问题定义、方法设计和实验结果
- 面试前可系统复习 Transformer、主流大模型架构、指令微调、LoRA、RLHF 和模型评估方法
- 建议准备一个可复现的大模型微调或推理项目,熟悉 PyTorch、Hugging Face、数据处理和指标评估流程
面试指南
- 项目类问题采用“背景—难点—方法—实验—复盘”的结构,重点讲清自己的独立贡献和结果验证
- 技术原理类问题先讲核心直觉,再讲公式或流程,最后结合业务场景说明适用条件和局限
- 方案设计类问题从数据、模型、评估、上线约束四个层面展开,体现系统性思考
- 请介绍一个你做过的大模型微调或深度学习项目,包括数据、模型、指标和你的具体贡献
- Transformer 的核心机制是什么?为什么大模型训练中常使用 LoRA 或 SFT?
- 面对多源异构的行为数据,你会如何设计数据清洗、特征组织或标注策略?
- 如何评估意图识别或风险判定模型的效果?除了准确率还会关注哪些指标?
- 请解释 RLHF 或模型压缩蒸馏的基本原理,以及它们在业务落地中的价值
职位点评
薪资福利72
成长发展92
工作生活50
使命价值78
薪资福利
72中等
JD未披露薪资与福利信息,因此补偿性动机只能依据实习岗位性质判断,满足程度有限但仍有吸引力。
薪资信号未披露(AI估算:8.0千–1.2万/月)
成长发展
92较高
岗位明确涉及大模型、多模态、LLM微调、RLHF、模型压缩与蒸馏等前沿方向,并参与完整算法研究与业务落地流程,发展性非常强。
技术前沿前沿/新兴技术
技术栈大模型、多模态大模型、LLM微调、RLHF、模型压缩、蒸馏、Transformer、SFT、LoRA、Prompt Engineering、PyTorch、Hugging Face
业务类型ambiguous
工作生活
50较低
JD未明确办公模式、弹性安排或加班情况,生活化动机缺少可验证信息,无法判断灵活性。
工作模式未明确
办公地点未明确
加班情况未提及(无法判断)
使命价值
78中等
岗位聚焦行为防控、意图识别和风险判定,具有明确的业务治理价值,同时探索前沿大模型技术落地,意义感较强。
行业发展新兴领域(暂难判断)
社会影响正向社会影响力较高
使命信号行为防控、风险判定
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs