【27届校招】大模型与机器学习算法工程师(J11449)

优缺点分析

角色解读

• 短期内可快速成长为业务场景中大模型应用的技术专家，独立负责模型微调和优化
• 中期可横向拓展至机器学习平台或AI基础设施方向，成为团队核心成员
• 长期可晋升为算法团队负责人或技术专家，引领前沿技术在业务中的落地
• 参与大语言模型在特定业务场景下的微调、偏好对齐与推理部署，持续优化模型效果
• 负责训练数据的清洗、过滤、高质量合成及指令集构建，从源头保障模型数据质量
• 运用经典机器学习和统计学方法进行业务数据的探索性分析和特征工程，支持策略建模
• 扎实的数学和统计学基础，精通概率论、假设检验等核心原理
• 深入理解传统机器学习（如树模型、聚类）的数学推导，能独立承接策略建模
• 熟练使用PyTorch和Transformer架构，具备大模型微调（SFT/DPO）或AI Agent项目经验
• 良好的工程素养，熟悉Linux、Git，算法与数据结构基础扎实

申请策略

• 关注收钱吧的业务方向（支付/商户服务），在面试中展示对业务场景的理解
• 准备1-2个完整的LLM项目案例，能清晰阐述技术选型、数据准备和优化思路
• 突出大模型微调或开源项目经历，展示实际动手能力，避免只写API调用
• 强调数学和统计课程成绩及学术研究，证明理论基础扎实
• 详细描述传统机器学习项目中的特征工程和建模经验，体现应用能力
• 体现工程化能力，如使用PyTorch、Git等工具，展示代码整洁和协作习惯
• 如不熟悉SFT/DPO，可快速学习并复现相关论文或开源项目，补齐实战经验
• 补充工业界的数据工程技能，如数据处理pipeline和分布式训练基础

面试指南

• STAR法则：从场景、任务、行动、结果四方面回答项目经历，突出量化成果
• 原理+实践：先阐述技术理论，再举例说明实际应用中的取舍，体现深度
• 比较思维：对比不同方案，说明为何选择当前策略，展现决策依据
• 请详细讲述你做过的大模型微调项目，包括方法选择、数据准备和效果评估
• 如何设计一个偏好对齐（DPO/RLHF）的算法流程？
• 给定一个业务场景，你会如何选择传统机器学习模型还是大模型？
• 谈谈你对Transformer架构中注意力机制的理解，以及如何优化推理速度？
• 如何处理训练数据中的噪声和类别不平衡问题？