大模型算法工程师-多模态大模型方向2（博士后）

优缺点分析

角色解读

• 从博士后到资深算法研究员，逐步成为多模态大模型领域的技术专家
• 可向顺丰AI实验室或集团技术中台的核心岗位发展，负责更大规模的技术创新
• 未来可拓展至物流供应链AI全链路，成为行业AI解决方案架构师
• 负责多模态大模型的继续预训练和视频理解能力攻坚，包括数据处理、模型训练与调优
• 探索PT-SFT-RLHF各阶段的方法论创新，针对物流供应链场景优化模型性能
• 将多模态基础能力（目标检测、视频分类等）落地到安全检测、违规巡检等实际业务中
• 与团队协作，推动前沿技术研究并产出高质量论文或专利
• 精通Transformer架构和多模态大模型原理，熟悉PT-SFT-RLHF全流程
• 熟练使用PyTorch或TensorFlow等深度学习框架，具备大规模模型训练经验
• 具备计算机视觉基础，尤其是目标检测、视频理解等方向
• 有扎实的科研能力，能在顶级会议/期刊发表论文

申请策略

• 面试前深入研究顺丰AI团队的技术博客和公开论文，展现对业务的兴趣
• 准备一个完整的项目介绍，突出从问题分析到模型部署的全链路能力
• 突出多模态大模型相关研究经历，包括PT/SFT/RLHF各阶段的实践和成果
• 强调在NeurIPS/ICML等顶级会议发表的论文，并说明个人贡献
• 展示计算机视觉项目经验，尤其是目标检测、视频理解等与岗位直接相关的技能
• 如果有物流或供应链相关项目，务必重点描述，体现垂域适配能力
• 强化RLHF和视频理解方向的实践，可复现经典论文并尝试改进
• 熟悉PyTorch分布式训练框架（如DeepSpeed、Megatron），提升大规模模型训练能力

面试指南

• STAR法则：描述情境、任务、行动、结果，突出技术细节和量化成果
• 对比分析：在比较不同方法时，从性能、效率、可扩展性等维度展开，给出具体实验数据
• 落地思维：在回答技术问题时，始终结合业务场景（如物流供应链），体现工程化思考
• 请详细介绍你参与过的多模态大模型项目，包括数据处理、模型架构和训练策略
• 如何设计一个针对物流场景的多模态大模型？请从数据、模型、训练三个角度说明
• RLHF中的偏好数据如何构建？在垂域场景下有哪些挑战？
• 请比较ViT和CNN在视频理解任务中的优劣，并说明选择依据
• 你如何看待大型模型在工业界的落地瓶颈？如何解决？