多模态算法工程师（audio方向）

优缺点分析

角色解读

• 向高级/资深算法工程师发展，主导核心训推基础设施的建设
• 转向AI系统架构师或技术专家路线，深耕高性能计算与分布式训练
• 未来可向AI平台负责人或技术管理岗位转型，统筹算法工程化团队
• 负责多模态（音频方向）训推框架的系统架构设计与代码实现
• 深度定制与优化分布式强化学习框架，解决大规模训练中的性能瓶颈
• 与算法研究团队紧密配合，将前沿模型方案转化为可落地的工程系统
• 扎实的深度学习基础，精通 Transformer 架构原理与变体
• 熟练掌握主流大模型训推框架（vLLM/VERL/TRL/SGlang）的源码级定制
• 具备分布式训练系统调优经验，熟悉通信、计算与内存优化策略
• 优秀的跨团队协作能力与英语沟通能力，适应国际化项目节奏

申请策略

• 提前了解米哈游旗下产品的AI应用场景，思考多模态技术如何赋能游戏体验
• 准备1-2个完整的分布式训练调优案例，重点说明遇到的瓶颈与解决路径
• 突出分布式训练系统调优的具体案例，量化性能提升指标（如吞吐量、显存占用、训练耗时）
• 详细列出对 vLLM/VERL 等框架的二次开发或源码修改经历
• 强调多模态或音频处理相关的算法落地经验与工程实践
• 展示跨团队协作与复杂问题排查的记录，体现结果导向思维
• 深入研读 vLLM 与 VERL 官方文档及核心论文，掌握其调度与通信机制
• 补充高性能计算知识，熟悉 CUDA 编程、NCCL 通信库与分布式训练范式

面试指南

• 使用 STAR 法则（情境-任务-行动-结果）结构化阐述项目经历，重点突出技术决策依据与量化产出
• 针对架构设计类问题，先明确核心诉求与约束条件，再分层给出模块划分、数据流与控制流方案
• 回答协作与软技能问题时，结合具体冲突场景，强调主动沟通、目标对齐与风险前置管理
• 请详细描述一次你优化分布式训练框架的经历，具体解决了哪些性能瓶颈？
• Transformer 在大规模分布式训练时面临哪些通信与显存挑战？你是如何解决的？
• 如果让你设计一个支持音频多模态的训推框架，你会如何规划系统架构？
• 面对跨时区团队的紧急需求，你如何保证项目按时高质量交付？
• 复习分布式训练核心概念（Data/Model/Pipeline Parallelism）及主流框架的调度逻辑