大模型平台开发工程师

优缺点分析

角色解读

• 深耕大模型技术，成为AIGC领域的专家架构师
• 转向技术管理，带领团队负责AI平台整体建设
• 结合业务线（如智能制造、智慧城市），成为行业解决方案专家
• 将业务需求转化为大模型技术方案，设计分层架构并集成到现有平台
• 处理多源异构数据（文本、语音、PDF），完成清洗、标注和增强
• 优化模型训练流程，使用TensorFlow/PyTorch进行分布式训练和调优
• 与产品团队协作，将大模型能力嵌入PC平台和公众号
• 精通Python，熟悉LLM全流程原理（Tokenization、Prompt、Fine-tuning等）
• 扎实的深度学习基础，熟练使用TensorFlow或PyTorch
• 理解Transformer、注意力机制等高级架构，有NLP项目经验
• 熟悉云平台（AWS/Azure/Google Cloud）及其AI服务

申请策略

• 了解浪潮的数字化转型业务（如公共服务平台），在面试中展示你对行业的思考
• 准备一个端到端的大模型应用案例，从数据到部署完整展示
• 突出大模型或NLP项目经验，详细描述你在训练、调优、部署中的角色和成果
• 强调Python编程能力和数据处理能力，展示代码质量和工程化水平
• 列出熟练的框架和云平台，如有分布式训练经验更佳
• 系统学习LLM全流程：数据预处理、模型选型、微调、部署
• 熟悉至少一个云平台的AI服务（如SageMaker、Vertex AI）
• 补充行业知识（如智能制造、政务数字化），以便更好地理解业务

面试指南

• 项目描述用STAR法则：情境、任务、行动、结果，突出技术难点和你的贡献
• 技术原理问题先给定义，再举例说明，最后说实际应用
• 场景题先拆解需求，再列出候选方案，权衡优缺点后给出推荐
• 请详细描述你参与的一个大模型项目，包括数据来源、模型选型、训练优化和最终效果
• Transformer的Self-Attention机制是如何计算的？相对位置编码和绝对位置编码有什么区别？
• 如何对大规模文本数据进行高效清洗和标注？你使用过哪些工具？
• 在分布式训练中，如何解决数据并行和模型并行的负载均衡问题？
• 如果业务需要将大模型部署到公众号，你会考虑哪些延迟和成本优化方案？