大模型技术探索

优缺点分析

角色解读

• 技术方向：从大模型应用工程师向算法专家/架构师发展，深入金融科技领域的AI创新
• 业务方向：积累金融风控、反欺诈等业务知识，转型为业务+技术复合型人才
• 管理方向：随着项目复杂度提升，可向技术团队Leader或技术负责人发展
• 将大模型（LLM/VLM）技术应用到金融风控、反欺诈、用户经营等业务场景，进行技术探索与落地
• 负责模型设计、训练（SFT/RL）、评估、部署及端到端工程化，与业务团队协作推动项目闭环
• 持续跟踪前沿技术，进行技术预研与创新，输出技术方案并规划中长期路线
• 扎实的机器学习、深度学习基础，精通大模型（LLM/VLM）相关理论与技术
• 熟练掌握Prompt工程、SFT、RL等大模型训练方法，具备数据工程和后训练经验
• 熟悉开源大模型（如Qwen系列）的结构与部署，有较强的工程落地能力

申请策略

• 在面试中主动展现业务理解能力，思考大模型如何解决具体金融问题
• 关注滴滴金融科技的技术动态，了解其现有风控体系，准备有针对性改进方案
• 突出大模型相关项目经验，包括模型训练、调优、部署的全流程，最好有金融或风控背景
• 强调端到端工程落地能力，如从数据准备到线上服务的完整闭环案例
• 展示对开源大模型（如Qwen）的熟悉程度，附上相关GitHub链接或技术博客
• 若缺乏金融领域知识，可以提前学习风控、反欺诈的基本概念与常用模型
• 补充大模型后训练技术（SFT、RLHF）的实践经验，可以通过开源项目或竞赛积累

面试指南

• 采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)来结构化回答项目经验
• 对于开放性问题，先拆解问题维度（技术、业务、工程），再逐一给出观点，体现系统思考
• 请详细描述一个你主导的大模型落地项目，包括技术选型、训练过程、遇到的挑战及解决方案
• 谈谈你对LLM在金融风控场景中应用的理解，你认为最大的难点是什么？
• 如何评估大模型在反欺诈任务中的效果？你会设计哪些指标？
• 你熟悉哪些开源大模型？请比较Qwen、LLaMA的优缺点及适用场景
• 如果给你一个金融风控数据集，你会如何构建Prompt及进行SFT微调？
• 复习大模型核心原理：Transformer结构、训练范式（预训练、SFT、RLHF）、Prompt设计技巧