高德-高级生成式大模型算法工程师/专家-视觉技术中心

优缺点分析

角色解读

• 技术专家路线：深入生成式模型前沿研究，成为团队核心技术骨干或方向负责人
• 管理路线：带领算法团队，负责整体技术架构和项目推进，晋升为技术Leader
• 跨领域融合：结合高德地图业务，探索生成式模型在自动驾驶、地图渲染等场景的创新应用
• 研发基于扩散模型的世界生成和视频生成算法，解决可控性、时空一致性等核心问题
• 设计并优化生成式大模型架构，包括Transformer、VAE等，提升生成质量与效率
• 负责从预训练到后训练（SFT、RLHF）的全流程模型优化，推动技术落地
• 扎实的深度学习基础，精通扩散模型、Transformer、VAE等生成式模型架构
• 具备图像/视频生成、3D生成或世界模型的实际项目经验
• 熟悉模型训练优化技术，如RLHF、SFT、模型压缩等
• 较强的工程实现能力，熟悉PyTorch等框架，有大规模数据处理经验

申请策略

• 了解高德地图的业务场景，思考生成式模型如何赋能自动驾驶仿真、地图渲染等，面试时展现业务洞察
• 关注团队技术博客或公开演讲，提前了解技术方向和团队文化，增强匹配度
• 突出生成式模型项目经验，特别是扩散模型、视频生成、世界模型等方向的实际成果
• 强调模型优化能力，如RLHF、SFT、模型压缩等，并提供量化指标（如FID、CLIP score）
• 展示工程落地能力，如分布式训练、推理加速、模型部署等经验
• 若有顶会论文或开源贡献，需重点列出
• 补充视频生成与3D生成相关技术，如NeRF、3D Gaussian Splatting等
• 强化RLHF和偏好对齐的实践，如DPO、PPO等算法

面试指南

• STAR法则：结合具体项目，从背景、任务、行动、结果四个维度展开，突出个人贡献
• 第一性原理：遇到技术问题时，从基本数学原理出发推导，体现深度思考能力
• 对比分析：对同类方法进行比较，说明各自的优劣和适用场景，展示技术广度
• 请详细讲解扩散模型的原理，如何实现可控生成？
• 你如何评估生成视频的时空一致性？有哪些改进方法？
• 请介绍你参与过的生成式模型项目，包括技术选型、训练流程和最终效果
• 对于RLHF训练中奖励模型的设计，你有什么经验？
• 如何平衡生成质量与推理速度？你有过哪些优化实践？