百度
大模型平台后端实习生（J106843）
大模型平台后端实习生（J106843）
发布于 2 小时前实习/见习
实习生仅现场办公后端开发
后端开发
Go
后端开发
大模型推理
数据结构与算法
值不值得投
薪资怎么样
5.0千
比后端开发中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1320 个在招 · 其中后端开发 29 个
市场机会
选择面较广
北京 · 后端开发 · 约 460 个在招
职位详情
关于这个职位
你将加入百度大模型平台团队，参与大模型推理服务的后端研发，包括平台内组件与工具的开发、定制化需求交付以及推理相关技术调研
岗位以 Go/Python/C++ 后端开发为主，涉及 Docker、Kubernetes 等容器化部署技术，适合希望深入大模型工程化与推理基础设施方向的同学
最低要求
计算机及相关专业本科及以上学历，熟悉常用的算法和数据结构
熟悉 Go/Python/C++ 中至少一种编程语言，具有良好的编程习惯，熟悉常用设计模式和 Linux/Unix 开发环境
具有良好的团队合作和沟通能力，学习能力和自我驱动力强
工作职责
参与大模型平台后端推理服务研发
参与平台内组件、工具的开发
参与定制需求的开发工作
参与大模型推理技术调研等工作
优先资格
具有 Docker/Kubernetes 等相关开发经验者优先
AI 洞察
优缺点分析
优点
- 切入大模型推理与平台工程这一当前最热的技术方向，项目经验含金量高
- 可直接接触大规模分布式推理服务、K8s 编排等工业级基础设施实践
- 平台级研发视野较宽，能同时接触组件开发、工具链和定制需求
- 技术调研环节有助于快速拓宽技术面，养成方案输出能力
- 推理服务研发涉及性能、并发与稳定性，对基础功底和工程细致度要求高
- 作为实习生，需要在有限时间内熟悉大体量平台代码与内部工具链，上手曲线较陡
- 部分定制需求开发偏交付性质，节奏与优先级可能由业务侧驱动
- 适合计算机基础扎实、对 AI 基础设施与大模型工程化有浓厚兴趣，且自学与主动性强的高年级本科生或研究生
缺点 / 挑战
暂无明显挑战项
角色解读
- 可在推理服务、模型服务平台化方向持续深耕，成长为后端/推理基础设施方向的工程师
- 向上可延伸到 AI 平台架构、模型服务性能优化、MLOps 与推理加速等专业领域
- 实习表现优异者有机会进入校招或转正通道，进入大模型工程化赛道的起点较高
- 参与大模型平台后端推理服务的研发，负责推理链路中服务端功能的实现与优化
- 参与平台内部组件与工具的开发，提升平台易用性与自动化程度
- 承接定制化需求开发，把业务方的场景诉求落地为可用的平台能力
- 同时跟进大模型推理方向的技术调研，输出方案并与团队一起做技术选型
- 扎实的算法与数据结构基础，能写出复杂度合理、边界清晰的代码
- 至少精通 Go/Python/C++ 中的一种，并熟悉常用设计模式，能在 Linux/Unix 环境下独立开发调试
- 了解容器化技术，Docker/Kubernetes 相关经验是明显加分项
- 良好的沟通协作与自驱学习能力，能在调研型任务中主动推进
申请策略
- 投递时可注明城市偏好（北京或上海），避免后续流程反复
- 面试前多了解百度智能云与大模型平台相关产品形态，理解岗位在平台中的位置
- 简历中的项目要能讲清背景、你的具体贡献和技术取舍，避免只罗列技术名词
- 突出至少一门主力语言（Go/Python/C++）的深度项目经验，写明代码规模与你负责的模块
- 把 Linux 环境下的开发调试、并发编程、性能优化经历具体化，给出可量化结果
- 若有 Docker/Kubernetes 使用或二次开发经验，单独成条并说明解决了什么问题
- 列出算法与数据结构相关的课程成绩、竞赛或刷题经历，强化基础功底信号
- 补充容器与编排基础，理解 Pod、Service、Deployment 及镜像构建流程，最好能跑通一个自建推理服务的 K8s 部署
面试指南
- 技术问题采用「背景—方案—取舍—结果」四段式回答，重点讲清为什么这样选，而不是只讲做了什么
- 算法题先口述思路与复杂度，再写代码，写完主动检查边界与异常输入
- 调研类问题按「目标指标—候选方案对比—验证方式—落地建议」结构作答，体现工程判断而非罗列名词
- 请介绍一个你主导或深度参与的后端项目，说明架构设计与你负责的部分
- 在 Go/Python/C++ 中，你如何理解并发模型？遇到过哪些并发问题，怎么解决的？
- 你使用过 Docker/Kubernetes 吗？描述一次镜像构建或服务部署的完整流程
- 一道中等难度的算法题（数组/字符串/哈希或二叉树方向）
- 如果让你调研一种新的大模型推理优化方案，你会从哪些维度评估并给出结论？
Watch Jobs