滴滴出行
国际事业群IBG-算法实习生（16）
国际事业群IBG-算法实习生（16）
发布于 10 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
Prompt Engineering
Rag
因果推断
大语言模型
强化学习
时序预测
机器学习
模型优化
运筹优化
值不值得投
73综合评分
综合评分 73
前沿技术栈、全球化业务场景的算法实习，技术成长性极高，但对实习强度和WLB预期需保持现实。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
8千
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
约 1020 个在招 · 其中机器学习工程 45 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 460 个在招
职位详情
关于这个职位
这是滴滴国际事业群IBG的一份算法实习生岗位
你将运用机器学习、运筹优化、强化学习等前沿算法技术，参与构建模型策略以驱动司乘动态定价，并积极探索大语言模型在定价方向的创新应用，支持滴滴的全球业务发展
最低要求
硕士及以上学历在读，计算机科学、软件工程、人工智能、数据科学等计算机相关专业优先
对机器学习、人工智能、因果推断有一定了解，熟悉常见算法的基本原理，具备独立进行模型调优和性能优化的能力
熟悉大模型相关技术，涵盖Prompt工程、强化学习微调、RAG等
具备较强的沟通协作能力，能够与团队成员、业务部门高效沟通，协同推进工作
连续实习3个月以上，每周实习至少4天
工作职责
运用机器学习（因果推断，时序预测，转化率预估）、运筹优化、强化学习等前沿算法和技术，构建相关模型策略，驱动司乘动态定价
运用SFT、RLHF、Prompt Engineering、对比学习等技术，利用LLM、scaling up提升预估模型准确性，积极探索大模型在定价方向中的创新应用方案
参与定价算法预估模型开发及落地，支持滴滴全球业务
AI 洞察
优缺点分析
优点
- 技术栈非常前沿，能直接接触并实践大模型、强化学习等AI热点技术在核心业务的应用
- 在滴滴国际事业群工作，能获得全球化业务视野和处理复杂问题的锻炼机会
- 实习表现优秀有机会获得转正，开启在大型科技公司的职业生涯
- 作为实习岗，需要在短时间内快速理解复杂的业务逻辑和技术系统并产出价值
- 连续实习3个月以上且每周至少4天的要求，对在校学生的时间管理能力是考验
- 适合计算机相关专业硕士在读，对机器学习和算法有浓厚兴趣，希望将学术知识应用于大规模商业场景，且具备较强学习能力和抗压能力的学生
缺点 / 挑战
- 算法模型需要直接支撑业务指标（如定价、增长），工作成果的量化评估压力较大
角色解读
- 技术深度路径：专注于特定算法领域（如定价策略、因果推断、大模型应用）成为该领域的专家
- 横向拓展路径：深入了解国际业务后，可转向策略分析、产品管理或业务运营等综合岗位
- 职业发展路径：优秀实习生有转正机会，可在技术专家或技术管理路线上长期发展
- 运用多种机器学习和运筹优化技术，参与设计和优化核心的动态定价算法模型
- 探索并应用大语言模型（LLM）等前沿AI技术到具体的业务场景中，提升模型性能
- 完成算法模型的开发、测试与落地，直接支持公司的全球业务增长
- 扎实的机器学习理论基础，熟悉因果推断、时间序列预测、强化学习等核心算法
- 掌握大模型相关技术栈，包括Prompt工程、RLHF、RAG等，有实践经验优先
- 具备较强的编程与工程实现能力，能够独立完成模型调优和性能优化
- 良好的沟通协作能力，能与跨职能团队高效协同，理解业务需求
申请策略
- 在简历和求职信中明确表达对定价算法、大模型应用这一交叉领域的兴趣和理解
- 准备一个与岗位职责（如预测模型、强化学习应用）相关的技术问题，在面试中主动提问以展示思考深度
- 重点突出机器学习、大模型相关的课程项目、竞赛经历或研究成果，尤其是涉及因果推断、强化学习等方向的实践
- 描述独立完成或深度参与的算法项目，说明具体解决的问题、使用的方法（如RLHF、RAG）以及可量化的优化效果
- 如果有与互联网公司、数据科学或算法相关的实习经历，务必清晰阐述你负责的工作和取得的成果
- 巩固因果推断、强化学习的理论基础，并通过公开数据集或Kaggle竞赛进行实践练习
- 深入学习LLM相关技术栈，如Hugging Face Transformers库、LangChain框架，尝试复现一些经典论文的实践部分
- 阅读滴滴、Uber等公司在动态定价、出行匹配领域的公开技术博客或论文，了解行业最佳实践
面试指南
- 对于技术原理问题，采用“定义-重要性-简单应用举例”的结构进行回答，体现清晰的逻辑
- 对于场景应用题，先结合业务场景（如出行）拆解问题，再选择合适的技术点（如因果推断解决‘归因’问题）进行阐述，最后提及可能的挑战
- 对于项目经验问题，使用STAR法则（情境、任务、行动、结果）来结构化描述，突出你的技术决策和量化成果
- 请解释一下因果推断在动态定价中可能的应用场景
- 你如何理解‘Scaling Up’对提升预估模型准确性的帮助？
- 描述一下你熟悉的一个强化学习算法，并设想它如何应用于司机激励或定价策略
- 你如何平衡模型复杂度和线上服务的延迟要求？
- 你过去在模型调优中，遇到过什么性能瓶颈？是如何解决的？
职位点评
薪资福利60
成长发展90
工作生活55
使命价值75
薪资福利
60中等
作为实习岗位，薪资和福利体系相对正式员工有限，但平台提供行业有竞争力的实习报酬。
薪资信号市场水准 (6千–1万/月)
成长发展
90较高
岗位要求涉及前沿算法技术（大模型、强化学习），并直接支持全球业务，能提供极佳的技术深度和业务广度成长机会。
技术前沿前沿/新兴技术
技术栈机器学习、因果推断、强化学习、大语言模型、SFT、RLHF、Prompt Engineering、RAG
业务类型profit_center
工作生活
55较低
实习岗位通常工作强度不低，且JD未提及办公模式或WLB相关信息，生活平衡可能面临挑战。
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
75中等
参与全球出行平台的核心算法建设，工作成果直接服务数亿用户，能带来较强的价值感和影响力。
行业发展稳定成熟行业
社会影响正向社会影响力较高
使命信号支持滴滴全球业务
创新程度积极采用新技术
Watch Jobs