【LongCat实习】基座评测与认知分析-多模态与前沿交互研究

优缺点分析

角色解读

• 从实习到正式研究员，深入掌握AI前沿技术，成为多模态方向的专家
• 通过参与行业标杆项目，积累顶级会议论文发表经验，提升学术影响力
• 未来可转向大模型算法工程师、AI研究员或技术Leader等方向
• 负责多模态大模型的评测体系构建，设计自动化度量指标，评估模型在多模态Agent、统一模型和交互等方向的能力
• 研究前沿技术如GUI/CUA、音视频联合生成，分析关键影响因素并指引模型迭代方向
• 参与行业标杆评测基准的建设，如UNOBench、EvalTalker等，推动行业认知进展
• 精通Python/Java/C++编程，具备良好的编码习惯和工程能力
• 扎实的深度学习和大模型理论基础，有多模态大模型或具身智能研究经验
• 良好的沟通能力和团队合作精神，能够独立解决问题

申请策略

• 关注美团的AI技术博客和开源项目，了解团队技术方向
• 准备时多思考如何将理论知识与实际应用结合，展现解决问题的思路
• 突出多模态或大模型相关的项目或研究经历，展示对技术的深入理解
• 强调编程能力，列出掌握的编程语言和开源项目贡献
• 如果有论文发表或竞赛获奖，务必重点提及
• 提前阅读多模态大模型、Agent、音视频生成等方向的最新论文，了解行业动态
• 熟悉Python深度学习框架如PyTorch，并尝试复现相关模型

面试指南

• 对于项目介绍，采用STAR法则：背景、任务、行动、结果，突出技术难点和你的思考
• 对于评测评测方案设计，从任务定义、数据集构建、指标选择、实验分析等方面系统回答
• 对于技术概念问题，先给出定义，再结合最新研究进展和自己的理解展开
• 请介绍一个你参与的多模态或大模型项目，并说明你的贡献
• 如何评估一个多模态大模型的性能？请设计一个评测方案
• 谈谈你对多模态Agent的理解，以及它面临的主要挑战
• 编程题：实现一个简单的图像分类模型，并解释优化过程
• 复习深度学习基础，特别是Transformer、注意力机制等