智谱
大模型训练优化算法实习生
大模型训练优化算法实习生
发布于 1 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Sft
多模态
大模型
推理优化
数据挖掘
值不值得投
73综合评分
综合评分 73
前沿大模型与科研智能化方向、成长性强，但实习津贴与工作模式未披露，需长期投入。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
9.0千
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
48 个在招 · 其中机器学习工程 6 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 570 个在招
职位详情
关于这个职位
该职位面向希望长期深入大模型训练与科研智能化的实习生，参与LLM及多模态大模型的数据构建、后训练、推理部署与评测，并把模型应用到数学、物理、化学、生物等科研场景
要求具备较强的大模型、机器学习和数据工程基础，能稳定实习12个月以上
最低要求
大模型技术能力：深刻理解Transformer架构，熟悉主流大语言模型（如Llama、Qwen、Deepseek、GLM等）及多模态模型架构
具备扎实的后训练落地经验，精通SFT、PEFT（如LoRA/P-Tuning）及RL（如DPO/PPO/GRPO）的技术细节与工程实现
熟悉大模型推理优化技术及自动化评测体系，能独立搭建从数据处理、多机多卡训练到模型评测的完整闭环流程
机器学习与数据挖掘：具备扎实的机器学习理论基础，熟练掌握回归、分类、聚类、关联分析等经典算法
具备独立完成数据挖掘任务的能力，能够针对特定领域数据特征进行特征工程与基线建模，有Kaggle/天池等竞赛获奖经历者优先
数据工程能力：熟练掌握常用数据库及大数据处理工具，包括但不限于SQL、Redis、Hadoop、Hive、Spark等
具备处理大规模科研数据的能力，能够独立完成数据的ETL流程、数据仓库维护及高性能数据读取管道的搭建
跨学科学习与科研素养：具备优秀的数理基础（线性代数、概率统计、微积分等），逻辑思维严密
拥有极强的快速学习能力与好奇心，能够快速理解并掌握数学、物理、化学、生物、电气电子工程等跨学科领域的专业知识
具备优秀的中英文文献阅读与调研能力，能独立完成相关领域前沿技术方案的调研与复现
综合素质：具备优秀的沟通协作能力与项目管理意识，能够作为技术接口人，独立推进项目进度，协调资源并确保项目高质量交付
编程基础扎实，熟练掌握Python等编程语言，代码风格良好
工作职责
大模型全流程落地：负责大语言模型（LLM）及多模态大模型在科研场景下的全生命周期落地，包括但不限于数据构建、后训练、推理部署及效果评测
场景方案设计：深入理解数学、物理、化学、生物、电气电子工程等科研领域需求，设计并实现基于LLM的解决方案，解决科研过程中的复杂问题
数据挖掘与建模：利用机器学习算法（回归、分类、聚类等）对各领域科研数据进行挖掘分析，构建并优化基线模型，为LLM应用提供坚实的数据与算法支撑
数据工程与维护：独立完成科研数据的清洗、存储与维护工作，熟练使用SQL、Hive等工具进行大数据处理，构建高质量的训练数据集
前沿调研与协作：跟踪学术界与工业界最新前沿技术，调研相关领域的SOTA方案，并与科研人员紧密协作，推动算法模型在实际项目中的落地与迭代
优先资格
在顶会发表过LLM或AI for Science相关论文
有知名开源项目贡献者或维护者经验
具有跨学科背景（如：计算机+物理/生物/化学等双学位或科研经历）
有完整的科研智能化项目（如文献辅助阅读、科学计算预测、实验设计助手等）落地经验
实习时长要求：期待可以携手实习12个月
AI 洞察
优缺点分析
优点
- 技术栈覆盖大模型全流程，从数据、后训练到推理评测，能积累完整闭环经验
- 面向AI for Science前沿场景，跨学科问题丰富，研究价值高
- 公司处于大模型赛道，实习可接触真实项目和前沿SOTA方案
- JD明确强调带教培养，适合希望长期深耕的学生
- 要求稳定实习12个月以上，时间投入大，需平衡学业
- 任职要求覆盖大模型、机器学习、数据工程和跨学科知识，学习曲线陡峭
- 适合有扎实数理与编程基础、对大模型和科研智能化有强烈兴趣、能长期稳定投入的本科生或研究生
缺点 / 挑战
- 科研场景需求复杂，需要与不同领域科研人员协作，沟通成本较高
角色解读
- 可沿大模型算法工程师或训练优化工程师方向发展，深耕后训练、强化学习与推理优化
- 也可转向AI for Science研究型岗位，结合领域知识做科研智能化解决方案
- 完整项目经验与顶会/开源产出可成为后续读研、读博或进入头部AI团队的重要积累
- 参与LLM及多模态大模型在科研场景的全生命周期落地，包括数据构建、后训练、推理部署和效果评测
- 深入数学、物理、化学、生物、电气电子工程等领域，设计基于LLM的解决方案
- 使用机器学习方法挖掘科研数据、构建基线模型，并用SQL/Hive/Spark等完成数据清洗与训练集构建
- 跟踪SOTA方案，与科研人员协作推动模型在实际项目中迭代
- 理解Transformer及Llama/Qwen/Deepseek/GLM等模型架构，掌握SFT、LoRA/P-Tuning、DPO/PPO/GRPO等后训练技术
- 具备机器学习基础和数据挖掘能力，熟悉回归、分类、聚类等算法及特征工程
- 熟悉SQL、Redis、Hadoop、Hive、Spark等数据工程工具，能处理大规模数据
- 数理基础扎实、英文文献阅读能力强，并具备Python编程与跨学科快速学习能力
申请策略
- 简历和面试中明确可实习起止时间，强调能稳定12个月以上
- 提前了解智谱GLM系列模型和AI for Science方向，准备针对性技术问题
- 突出大模型后训练项目：SFT、LoRA/P-Tuning、DPO/PPO/GRPO等实现与实验对比
- 展示完整数据工程链路：SQL/Hive/Spark数据清洗、特征工程和训练集构建经历
- 量化科研或竞赛成果：Kaggle/天池名次、顶会论文、开源贡献、AI for Science项目
- 体现跨学科学习能力与长期投入意愿，如相关科研经历、可实习12个月以上的安排
- 系统复习Transformer和主流LLM结构，动手复现一个SFT+LoRA+DPO的小型训练流程
- 补充推理优化与评测知识，如量化、推理加速、自动化评测框架
面试指南
- 用STAR结构讲项目：场景、任务、行动、量化结果，突出技术选型与迭代
- 技术题先讲原理，再结合项目说明落地细节和踩坑经验
- 跨学科题先拆解科研需求，再说明数据、模型、评测闭环的设计思路
- 请介绍你做过的一次大模型SFT或后训练项目，数据如何构建、效果如何评测？
- LoRA与全参微调相比有什么优缺点？DPO/PPO/GRPO的区别和适用场景？
- 如何为数学、物理、化学等科研场景设计LLM解决方案？难点是什么？
- 你如何处理大规模科研数据的清洗、存储和训练集构建？
- 为什么能稳定实习12个月？如何平衡学业与实习？
职位点评
薪资福利50
成长发展90
工作生活55
使命价值88
薪资福利
50较低
JD未披露实习津贴与福利，补偿性满足程度需在面试中确认，目前缺少明确的薪资与福利信息。
薪资信号未披露（AI估算：6.5千–1.2万/月）
成长发展
90较高
岗位覆盖大模型数据、后训练、推理部署与评测全流程，并强调带教和真实科研项目，技术成长信号强。
技术前沿前沿/新兴技术
技术栈Transformer、LLM、多模态大模型、SFT、PEFT、LoRA、P-Tuning、RL、DPO、PPO、GRPO、推理优化、自动化评测、Python、SQL、Hive、Spark
成长机会完整的带教培养、从头到尾跟进真实项目、全生命周期落地、前沿调研与协作
业务类型ambiguous
工作生活
55较低
JD未提及办公模式、弹性工时或加班安排，仅强调需稳定实习12个月以上，生活化动机信息有限。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
88较高
岗位将大模型用于数学、物理、化学、生物等科研场景，属于AI for Science方向，意义感与前沿性较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号科研场景、解决科研过程中的复杂问题、推动算法模型在实际项目中的落地与迭代、科研智能化项目
创新程度积极采用新技术
智谱 的其他在招职位
相似职位推荐
Watch Jobs