【B-UP】模型工程开发工程师-搜推（实习）

优缺点分析

角色解读

• 从实习生起步，积累大规模推荐系统工程经验，成长为搜推领域的专家
• 向高级工程师或技术专家方向发展，主导核心模块的设计与优化
• 积累系统设计经验后，可转向技术管理或架构师岗位，负责更大规模系统
• 参与B站推荐搜索系统的大规模DNN模型训练与推理框架设计，优化训练效率和推理延迟
• 设计和实现分布式训练框架，支持多目标模型训练，提升训练稳定性
• 突破超大Embedding表的存储、更新与检索技术瓶颈，优化内存和计算效率
• 利用GPU多卡多机并行技术，支持超长用户行为序列建模与参数规模化扩展
• 扎实的C++/Python编程功底，能够编写高性能代码
• 深入理解PyTorch/TensorFlow等深度学习框架的底层原理及分布式训练机制
• 熟悉GPU高性能计算（CUDA）和编译优化技术（如TVM、TensorRT、XLA）
• 具备异构计算和系统架构设计能力，能处理高并发低延迟的在线推理服务

申请策略

• 在简历或面试中表达对B站产品和推荐技术的热情，展示对用户价值的理解
• 准备一个与推荐系统相关的个人项目，体现完整的技术方案和成果
• 突出C++/Python项目经验，尤其是高性能计算或系统编程相关
• 展示深度学习框架使用和优化经历，如模型训练加速、推理优化
• 如有GPU编程（CUDA）或编译优化（TVM、TensorRT）项目，重点描述
• 强调分布式系统或推荐系统相关项目经验，体现工程能力
• 深入学习PyTorch/TensorFlow分布式训练源码，理解底层通信与同步机制
• 掌握CUDA编程和GPU性能分析方法，了解TVM/TensorRT等推理优化工具

面试指南

• 技术原理类问题：先明确概念，再分步骤解释机制，最后结合实际经验举例
• 优化类问题：从问题定义、瓶颈分析、方案设计、实验验证四个步骤展开
• 项目经验类：采用STAR法则（情境、任务、行动、结果），突出个人贡献
• 请解释PyTorch分布式训练的原理，包括DDP和FSDP的区别
• 如何优化深度学习推荐模型的推理延迟，有什么具体方法？
• 描述你项目中遇到的C++性能瓶颈及解决过程
• 什么是Embedding？在推荐系统中如何存储和检索大规模Embedding？
• 你是否了解TVM或XLA？请举例说明其在模型推理中的应用