大模型算法实习生-社区账号治理

优缺点分析

角色解读

• 技术专家路径：从实习生成长为高级算法工程师、算法架构师，深耕AI应用与模型优化领域
• 业务融合路径：深入理解社区生态与治理，成为兼具技术深度与业务洞察的复合型人才
• 管理路径（远期）：在积累足够技术和业务经验后，可转向技术团队管理或AI产品经理方向
• 将大语言模型（LLM）和视觉语言模型（VLM）技术应用到小红书社区内容安全和治理的实际业务场景中
• 负责大模型的训练、优化和后处理工作，包括微调（SFT）、强化学习（GRPO）等
• 探索并搭建基于大模型的智能体（Agent）和检索增强生成（RAG）系统，以解决复杂治理问题
• 对海量的社区数据进行分析和挖掘，为模型优化和策略制定提供依据
• 扎实的机器学习和深度学习理论基础，特别是对LLM/VLM/RL有深入理解
• 熟练的编程能力，能使用Python进行数据处理、模型开发与实验，并熟练使用SQL
• 对前沿AI技术有热情，具备独立探索和工程落地的能力，有论文或竞赛成果者优先
• 良好的逻辑分析和沟通协作能力，能够理解业务问题并转化为技术解决方案

申请策略

• 在面试前，深入研究小红书的社区内容生态和可能面临的风控挑战，思考技术如何赋能
• 准备一些关于大模型技术细节的思考，例如在特定场景下如何选择或设计模型架构
• 重点突出与大模型（LLM/VLM）、强化学习（RL）相关的项目经验、研究成果或竞赛成绩
• 详细描述使用Python和SQL进行数据分析、模型训练的具体实践，体现工程能力
• 如有顶会论文或知名AI竞赛（如Kaggle、天池）获奖经历，务必在醒目位置列出
• 深入学习RAG、Agent、SFT/GRPO等当前大模型应用的核心技术栈
• 回顾并巩固机器学习、深度学习的基础理论，特别是与生成模型相关的部分
• 尝试复现一些知名大模型的微调或应用项目，构建自己的项目集

面试指南

• 对于项目经验问题，采用STAR法则（情境、任务、行动、结果）进行结构化描述，重点突出你的技术决策和贡献
• 对于技术原理和应用问题，结合具体场景（如图文内容审核、虚假信息识别）展开，展现你的系统性思考
• 对于开放性和挑战性问题，可以从数据、模型、算法、工程等不同角度进行分析，体现全面的知识结构
• 请介绍一个你参与过的与大语言模型（LLM）相关的项目或研究，你具体负责什么部分？
• 你如何理解RAG（检索增强生成）技术？它在解决社区内容治理问题上可能有哪些应用？
• 如果让你为小红书社区设计一个多模态的内容安全模型，你的思路是什么？
• 在模型后训练（如SFT、GRPO）过程中，你遇到过哪些挑战，是如何解决的？
• 你如何看待当前大模型技术在应用落地时面临的主要瓶颈？