【B-UP】搜索算法工程师（大语言模型）（实习）

优缺点分析

角色解读

• 从实习转正为正式搜索算法工程师，深入参与核心业务
• 发展为大语言模型专家，负责模型训练、部署和优化
• 未来可向技术专家或团队管理方向发展，带领项目组探索新方向
• 参与训练和优化B站专属的大语言模型，并探索将其集成到搜索和推荐系统中，如生成视频摘要、搜索理由等
• 利用多模态数据（文本、音视频、图片）生成和优化内容的嵌入表示
• 优化大规模分类模型以理解用户查询意图和稿件内容
• 跟踪大语言模型前沿技术，将新方法应用到实际场景
• 扎实的编程和算法功底，熟悉机器学习/深度学习基础理论
• 熟练掌握Python/C++/Java，以及TensorFlow/PyTorch等深度学习框架
• 了解大模型架构和推理框架（如vLLM），熟悉SFT、RAG、RLHF、DPO等训练方法
• 具备优秀的数理逻辑思维和解决问题能力，能主动学习并协作

申请策略

• 关注B站业务特点，在面试中展现对内容社区和推荐场景的理解
• 准备一个完整的LLM项目案例，展示从数据到训练到评估的流程
• 突出机器学习/深度学习项目经验，特别是大语言模型相关（如微调、推理优化）
• 展示编程能力（Python/C++）和框架使用（PyTorch/TensorFlow），可附加GitHub链接
• 强调竞赛获奖（如ACM/ICPC）、开源贡献或论文发表，尤其是多模态、多智能体方向
• 体现数理逻辑和自主解决问题的能力，例如在项目中如何分析和解决挑战
• 提前熟悉vLLM、HuggingFace Transformers等推理和训练工具
• 实践SFT、RLHF流程，了解DPO等最新对齐方法

面试指南

• 对于技术原理问题：先给出核心定义，再说明数学推导或实现细节，最后结合实际应用
• 对于开放性问题：结构化回答，先分点（如数据、模型、评估），再举例说明
• 对于项目经验：使用STAR法则（情境、任务、行动、结果），突出个人贡献和思考
• 请解释Transformer中Self-Attention的计算过程及复杂度优化方法
• 如何在大规模数据上高效微调一个LLM？请比较SFT、RLHF的优缺点
• 描述一个你使用多模态数据改善推荐效果的例子
• 你如何看待大模型在搜索中的应用？如何评估生成式搜索结果的质量？
• 你最近关注哪些大模型前沿技术？请举例说明