大模型应用方向实习生（J105638）

优缺点分析

角色解读

• 技术深度：成长为专精大模型训练、优化或特定应用领域（如Agent）的算法工程师
• 领域拓展：从单点技术（如NLP）扩展到多模态融合、AI Agent系统设计等更广阔的领域
• 职业发展：优秀实习生有机会转正，后续可向技术专家、技术经理或产品经理方向发展
• 参与多模态大模型的底层算法调研与应用层prompt工程优化
• 设计与部署智能体工作流，将大模型能力应用于智慧招采等复杂业务场景
• 进行大模型的性能评估、训练与推理效率优化
• 与团队协作攻克技术难题，推动模型从研究到落地的全流程
• 扎实的深度学习基础，熟练使用PyTorch等框架，并具备较强编程能力
• 对计算机视觉或自然语言处理至少一个方向有深入理解，熟悉多模态大模型原理
• 具备一定的工程实践能力，了解Flask、Docker等工具，能完成模型部署
• （优先）拥有大模型微调（SFT/GRPO）和推理部署（VLLM）的实践经验

申请策略

• 仔细研究百度在AI、尤其是大模型和智能体方面的最新技术文章和产品动态，理解其技术路线和业务重点（如智慧招采）
• 在简历和面试中，清晰阐述你对“大模型在真实场景中部署”所面临挑战（如可用性、可解释性）的理解和思考
• 重点突出与大模型、NLP/CV、Agent相关的课程项目、研究经历或竞赛成果
• 详细描述使用PyTorch等框架的实践经验，以及使用Flask、Docker等工具进行项目部署的经历
• 如有相关论文或GitHub项目（尤其是与多模态、信息抽取相关），务必在简历中醒目展示
• 深入学习主流开源多模态大模型（如LLaVA、InternVL等）的架构与原理
• 动手实践prompt engineering和Agent工作流设计，了解常见的开发框架
• 补充大模型微调（如LoRA）和推理部署（如VLLM、TensorRT-LLM）的基础知识

面试指南

• 对于原理类问题，采用“核心概念+关键技术点+简单示例”的结构进行清晰阐述
• 对于设计类问题，按照“场景分析→模块划分→流程设计→挑战与解决方案”的逻辑展开
• 对于项目/经验类问题，使用STAR法则（情境、任务、行动、结果）结构化回答，突出你的贡献和技术选择
• 请解释一下多模态大模型的基本工作原理，以及它相比纯文本模型的优势？
• 你如何设计一个用于‘智慧招采’场景的Agent工作流？需要考虑哪些关键环节？
• 在模型效果优化中，除了调整模型参数，还有哪些常用的方法？（如Prompt Engineering）
• 请描述一个你完成过的、涉及深度学习框架（如PyTorch）的项目，你在其中负责什么？
• 如果你要部署一个大模型服务，你会考虑哪些方面的性能优化（训练效率/推理速度）？