27届校招-代码大模型算法工程师

优缺点分析

角色解读

• 从代码大模型算法工程师成长为LLM训练/后训练方向专家，负责更大模型或关键能力模块
• 可向Coding Agent、代码智能产品算法负责人或大模型研究科学家方向发展
• 积累预训练、RL、评估体系全链路经验，具备跨团队技术领导潜力
• 参与GLM代码大模型预训练数据清洗、构建与代码能力评估体系设计，提升模型代码生成基础能力
• 在后训练阶段使用SFT/RL等方法优化通用代码指令、前端开发和Coding Agent场景表现
• 为可验证代码任务搭建交互Environment，并探索RLVR在真实编码场景中的训练与评估
• 熟悉大模型预训练、SFT、RL等训练范式，理解代码生成任务的数据与评估方法
• 具备代码生成/Coding Agent项目经验或研究论文者优先，能快速阅读并复现前沿工作
• 具备较强工程实现能力，能处理数据管线、训练环境和评测系统
• 对前端开发或真实编码场景有理解，能将业务问题转化为可验证任务

申请策略

• 关注智谱GLM代码模型和Coding Agent产品动态，面试中结合业务场景表达理解
• 校招投递时尽早准备论文/项目材料，并主动与HR确认工作地点和培养机制
• 突出大模型预训练、SFT、RL相关课程/项目/论文，量化数据规模、模型规模和评测提升
• 展示代码生成、Coding Agent、代码评测或RLVR相关项目，说明你负责的模块和结果
• 强调工程能力：数据清洗管线、训练脚本、分布式训练、评测框架等
• 如有前端开发或真实编码场景理解，可在项目中体现
• 系统补强LLM后训练方法（SFT、RLHF/RLVR）和代码生成评测基准
• 熟悉至少一种大模型训练框架和代码智能工具链，准备可复现的小项目

面试指南

• 用“目标-方法-实验-结果”结构回答，先明确要提升的代码能力指标，再说明数据/训练/评估方案
• 面对开放问题，先给整体框架，再展开关键细节，并说明权衡与风险
• 结合项目经历给出具体数据、失败案例和改进迭代，体现工程落地能力
• 如何设计代码预训练数据的清洗和去重流程？如何评估数据质量？
• SFT和RL在提升代码能力上的差异是什么？你会如何设计训练pipeline？
• 如何构建代码能力的评测集，避免数据泄漏和过拟合？
• 你了解Coding Agent的交互Environment和RLVR吗？如何搭建可验证任务？
• 介绍一个你做过的大模型/代码生成项目，关键难点和提升效果？