多模态算法工程实习生（audio方向）

优缺点分析

角色解读

• 实习表现优异可转正，深度参与核心AI技术研发
• 积累大规模分布式训练经验，未来向算法专家或系统架构师发展
• 在米哈游的平台有机会接触前沿多模态技术，拓宽职业视野
• 负责多模态训推框架的系统设计与极致优化，开发分布式强化学习框架
• 针对音频场景特征，确保系统的高可扩展性与稳定性
• 协同研究团队进行算法与系统联合优化，参与超大规模训练方案落地
• 深入理解Transformer架构，具备LLM/多模态大模型分布式训练经验
• 熟练使用VERL、TRL、vLLM、SGlang等训推框架
• 具备RL训练系统性能调优的实战能力

申请策略

• 在简历中强调自驱力和结果导向的成果，如开源贡献或竞赛获奖
• 提前了解米哈游的技术栈和产品方向，展现对公司的热情
• 突出LLM/多模态大模型的训练经验，包括使用的框架和优化成果
• 列举在分布式系统或性能调优方面的具体项目或贡献
• 展示对音频或多模态数据的处理经验，以及相关研究背景
• 提前学习并实践VERL、vLLM等框架的基本用法和原理
• 深入理解强化学习训练流程（RLHF等）和分布式通信机制
• 补充音频信号处理或多模态融合的基础知识

面试指南

• 使用STAR法则：描述项目背景、任务、行动和结果，突出技术难点和个人贡献
• 解释技术原理时，先概述再深入细节，表明理解深度
• 对于开放性问题，展示系统性思维和解决实际问题的能力
• 请介绍你参与过的分布式训练项目，如何优化性能？
• Transformer架构中，Multi-Head Attention的计算流程是什么？
• 如何设计一个支持音频多模态训推的框架？会遇到哪些挑战？
• RL训练中，PPO算法的核心步骤和调参经验有哪些？
• 跨时区协作中，你如何保证沟通效率？