高级大模型算法工程师

优缺点分析

角色解读

• 技术纵深发展：成为大模型训练/推理/压缩领域的顶级专家，主导核心算法突破
• 横向拓展：向多模态、强化学习、Agent等前沿方向延伸，成为AI全栈科学家
• 管理路线：带领团队负责大模型平台建设，从IC转型为技术Leader
• 负责轻量级大模型的预训练、微调（SFT）及后训练算法设计，确保模型效果和效率
• 优化分布式训练和推理性能，解决大规模模型训练中的稳定性与收敛问题
• 构建模型评测体系，从效果和效率两方面客观评估大模型表现
• 参与模型压缩（量化、剪枝、蒸馏）和端侧部署，将大模型落地到移动设备
• 扎实的大模型训练与推理全流程知识，包括预训练、SFT、RLHF等
• 深入理解模型压缩技术，有实际量化/剪枝/蒸馏经验，能权衡精度与压缩率
• 熟悉分布式训练框架（如Megatron、DeepSpeed）和性能优化
• 了解端侧硬件约束（算力、内存、功耗），有移动端部署实战经验

申请策略

• 关注OPPO在AI领域的战略方向，如端侧大模型、多模态交互等，在面试中展现匹配度
• 准备好讲述一个从数据到部署的完整大模型项目，突出遇到的难点和解决思路
• 突出端到端大模型实战经验，包括预训练、微调、压缩、部署的完整项目
• 量化展示成果：如模型参数量、训练效率提升、压缩率、端侧推理加速比等
• 强调论文发表或竞赛获奖，尤其是高质量会议论文（如NeurIPS、ICML、CVPR）
• 体现对模型压缩和端侧优化的深入理解，例如解决精度损失的案例
• 补充强化学习（RLHF）和多模态相关知识和实践经验
• 熟悉端侧推理框架（如MNN、TNN、NCNN）和硬件加速（NPU、GPU）

面试指南

• STAR原则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，量化成果
• 对比分析：比较不同方法（如不同量化位宽、剪枝策略）的优劣，展现技术判断力
• 问题导向：先复述问题的核心，然后分步骤回答，最后总结收获
• 请详细描述你参与过的预训练项目，包括数据配比、训练稳定性处理和收敛效率优化
• 在模型压缩中，你是如何权衡精度和压缩率的？举一个具体案例
• 端侧部署时，如何评估算力、内存、功耗约束？你用过哪些优化策略？
• 解释RLHF的原理，以及在大模型训练中的作用
• 如何设计大模型评测体系？除了常见的benchmark，还需要关注哪些指标？