多模态大模型技术专家-Multimodal large Model Expert(J20189)

优缺点分析

角色解读

• 技术方向：从技术专家晋升为首席科学家或AI领域负责人，主导更前沿的AI+半导体融合创新
• 管理方向：从技术团队负责人发展为技术总监或CTO，统筹公司整体AI战略
• 业务方向：深入理解芯片业务，成为兼具技术与业务洞察的半导体AI领军人物
• 主导多模态大模型在半导体领域的应用，带领团队攻克算法难题，将AI技术融入芯片设计、制造和测试流程
• 负责业务数据的收集和清洗，针对特定场景对大型模型进行微调和评估，优化模型性能
• 持续跟踪前沿技术趋势，并快速将新技术应用到实际研发中，推动算法创新
• 深厚的NLP和多模态大模型经验，熟悉预训练、微调、对齐等完整流程，掌握LORA、QLORA、DPO等核心方法
• 熟练使用Python和深度学习框架（TensorFlow/PyTorch），具备大规模数据处理和模型训练能力
• 具备良好的团队领导和项目管理能力，能带领团队完成技术攻关，并有大型软件项目架构设计经验

申请策略

• 在简历和面试中强调目标导向和抗压能力，同时体现对出差（合肥）的灵活态度
• 提前了解长鑫存储在AI领域的布局，准备针对性的技术方案或想法
• 突出多模态大模型微调项目经验，尤其是LORA、QLORA、DPO等技术的实际应用案例
• 强调带领团队或独立负责大型软件项目的经历，展示架构设计与编码能力
• 体现与半导体相关的背景（如电子工程、微电子）或相关项目，增加匹配度
• 列出具体成果，如模型性能提升、数据清洗效率改进等量化指标
• 补充半导体基础知识（如芯片设计流程、制造工艺），可通过短期课程或论文速成
• 强化多模态模型的数据处理能力，积累大规模图文数据清洗的实践经验

面试指南

• STAR法则：描述具体项目背景、任务、行动和结果，尽量量化指标
• 结合半导体行业特点：回答时展现对芯片领域的理解，突出跨领域融合能力
• 体现系统性思维：从数据、模型、部署、迭代全链路思考问题，展示架构视野
• 请详细描述你做过的一个多模态大模型微调项目，包括数据准备、模型选择、调优过程及最终效果
• 你如何理解大模型在半导体芯片设计中的潜在应用？请举例说明
• 在带领技术团队攻关时，你如何平衡技术探索与项目交付？遇到过哪些冲突？
• LORA和QLORA的区别是什么？在什么场景下你会选择哪一种？
• 如果你需要从零构建一个面向半导体制造的多模态大模型，你会如何设计数据收集和清洗策略？