NLP/多模态/大模型算法实习生

优缺点分析

角色解读

• 深入理解多模态大模型前沿技术，积累算法工程化落地经验
• 接触海量真实业务数据，提升解决复杂实际问题的能力
• 表现优异者可获得转正机会，向资深算法工程师或算法专家方向发展
• 负责多模态分类、图像分类、文本分类等算法研发，并将算法落地到小红书真实业务场景
• 参与内容审核相关的笔记审核、评论审核、私信审核等系统的算法迭代与优化
• 探索大模型技术在生态审核场景中的应用，提升审核效率和准确性
• 扎实的深度学习基础，熟练掌握TensorFlow、PyTorch等至少一种框架
• 熟悉NLP、多模态、大模型相关技术，有文本分类或图像分类实践经验
• 优秀的编程能力（Python/C++/Java）和数据结构算法功底
• 具备优秀的问题解决能力和研究创新能力，能快速验证算法方案

申请策略

• 在简历或求职信中展示对内容安全技术方案（如审核系统）的思考，体现独特视角
• 关注小红书招聘公众号或内推渠道，提前了解团队技术方向，面试时针对性地展示匹配度
• 突出多模态/NLP/大模型相关项目经历，详细描述你的角色、技术方案和量化成果
• 如果有顶会论文或ACM竞赛获奖，务必在显著位置展示
• 提供GitHub或代码示例，证明扎实的编程能力和算法功底
• 强调对小红书内容和审核业务的理解，体现业务敏感度
• 系统学习Transformer、BERT、GPT等大模型架构，尝试微调预训练模型
• 了解CLIP等常见多模态模型原理，熟悉多模态数据集和评估方法

面试指南

• 用STAR法则（情境-任务-行动-结果）结构化回答项目问题，突出个人贡献、技术难点和量化结果
• 对于模型设计问题，先明确问题定义，列举候选方案，对比优缺点后再给出选择理由，展示逻辑性
• 算法题先思考边界条件，写出清晰代码，再主动分析时间和空间复杂度，并考虑优化可能
• 请介绍一下你最熟悉的一个多模态或大模型项目，遇到了哪些技术挑战？如何解决？
• 在文本分类任务中，如何选择模型结构？评估指标有哪些？如何防止过拟合？
• 谈谈你对Transformer的理解，与CNN、RNN相比有何优缺点？
• 为什么选择小红书？你如何理解内容审核场景下的算法应用？
• 手写一个二分查找算法，并分析其时间复杂度和边界条件