研究型实习生-广告大模型算法工程师（创意生成）

优缺点分析

角色解读

• 深入掌握LLM在广告、营销等垂直领域的应用与前沿技术
• 积累大规模、真实商业场景下的AI系统研发与落地经验
• 有望转为正式员工，成为算法工程师，或向AI产品经理、技术专家等方向发展
• 研发用于广告创意生成的LLM模型与Creative Agent系统，涉及意图理解、规划与内容生成
• 从真实广告投放数据中提取创意范式，构建训练数据、奖励模型和评估基准，优化模型效果
• 参与模型的离线评估与线上效果对齐工作，通过分析Bad Case定位并解决模型、数据或评测链路的问题
• 扎实的大语言模型（LLM）知识，熟悉SFT、RLHF/DPO/GRPO等微调与对齐技术
• 具备文本生成、奖励模型、Agent或相关竞赛/项目经验
• 良好的实验分析与问题定位能力，能处理复杂模型评测与迭代
• 对商业场景下的生成式AI应用有浓厚兴趣，具备自驱力和沟通能力

申请策略

• 仔细研究小红书的广告产品与业务模式，在申请材料或面试中展现你对业务场景的理解与兴趣
• 准备一个能体现你研究能力、技术深度和商业思考的过往项目，以便在面试中深入探讨
• 重点突出与LLM、文本生成、RLHF、Agent相关的科研项目、论文（即使是preprint）或竞赛经历
• 详细描述在项目中负责的具体工作、采用的技术方法（如SFT、DPO）和取得的量化效果
• 强调实验分析与问题解决能力，例如通过分析Bad Case优化模型性能的具体案例
• 系统学习或巩固LLM训练、对齐（RLHF/DPO/GRPO）的核心原理与实践经验
• 了解广告系统、创意生成、Agent等领域的基础知识和常见问题
• 提升对大规模数据处理、模型评估体系构建（如Benchmark设计）的理解

面试指南

• 回答项目/技术问题时，遵循“背景-目标-方法-结果-反思”的结构，清晰展示你的技术深度和解决问题的能力
• 回答场景开放性问题时，首先明确核心矛盾或目标（如效果与合规），然后结合技术原理（如可控生成、Reward设计）和业务理解提出分层或迭代的解决方案
• 回答分析排查类问题时，展示你系统性的思维：先定位问题环节（数据/模型/评测），再提出具体验证方法和优化方向
• 请介绍一个你做过的与LLM微调或生成模型相关的项目，你在其中的具体贡献和遇到的最大挑战是什么？
• 如何理解RLHF和DPO/GRPO在模型对齐中的区别？结合你的经验，谈谈在什么场景下会选择哪种方法？
• 在广告创意生成场景中，你认为模型生成的‘合规’与‘有竞争力’之间可能存在哪些矛盾？你会如何平衡或解决？
• 如何评估一个Creative Agent生成的广告创意的好坏？你会设计哪些离线和在线的评测指标？
• 面对一个广告创意生成效果不佳的Bad Case，你的分析思路和排查步骤是什么？