康明斯
AI Intern - LLM
AI Intern - LLM
发布于 6 个月前普通员工/个人贡献者
北京市
无经验要求
实习生
仅现场办公
本科
实习与临时职位
Prompt Engineering
ChatGLM
Fine Tune
LLM
NLP
RAG
AI 估算 · 5k–8k
AI实习生（LLM），探索大模型应用，高技术门槛实习，待遇优厚。
职位详情
关于这个职位
这是一个面向在校学生的AI实习生职位，专注于大语言模型（LLM）在汽车和工业领域的应用探索
你将负责从数据收集、模型应用方案设计到效果评估的全流程工作，有机会接触前沿的LLM技术并将其应用于真实的垂直场景中
最低要求
计算机科学/数据科学/人工智能或相关专业本科或研究生在读: 具备扎实的计算机科学基础知识，熟悉数据结构、算法、编程语言等
熟悉自然语言处理 (NLP) 相关技术: 了解 NLP 的基本概念，例如词嵌入、语言模型、文本分类、机器翻译等
熟悉大语言模型 (LLM) 的相关技术: 了解 LLM 的基本概念和应用框架，例如 Transformer 、预训练模型、提示工程、检索增强生成、微调、LangChain等
对主流开源大语言模型有过部署实践经历，例如ChatGLM，Llama等
有相关项目经验: 参与过 NLP / LLM 相关的项目开发，例如聊天机器人、文本生成、问答系统等
熟悉 Python 或其他编程语言: 能够熟练使用 Python 或其他编程语言进行代码编写和开发
良好的学习能力和解决问题的能力: 能够快速学习新知识和技术，并能够独立解决问题
良好的沟通能力和团队合作能力: 能够与团队成员有效沟通，并协作完成项目任务
工作职责
探索大语言模型在汽车和工业领域的应用场景
设计和开发垂直领域的大语言模型框架
构建和优化基于大语言模型的应用系统
评估和分析大语言模型在垂直领域下的应用效果
收集和整理领域数据: 整理汽车/工业领域相关的文本、代码、数据等，并进行清洗、标注和整理，为大语言模型的训练和应用提供高质量的数据基础
设计和实现大语言模型的应用方案: 根据具体应用场景，设计和实现基于大语言模型的解决方案，例如智能客服系统、自动问答系统、故障诊断系统等
开发和优化大语言模型的训练和推理流程: 优化大语言模型的训练和推理流程，提高模型的效率、准确性和可解释性
评估和分析大语言模型的应用效果: 对大语言模型在汽车和工业领域的应用效果进行评估和分析，并根据结果进行改进和优化
撰写技术文档和报告: 撰写关于大语言模型在汽车和工业领域的应用研究和开发的文档和报告，记录工作成果和经验教训
在整个实习期间和实习结束后，向团队成员和利益相关者展示令人信服的、经过验证的故事
AI 洞察
优缺点分析
优点
- 能接触到工业与AI结合的前沿应用场景，将理论知识与真实业务需求结合，积累宝贵的垂直领域AI项目经验
- 在康明斯这样的全球性工业巨头实习，平台资源丰富，能接触到成熟的研发流程和行业专家，有利于建立职业网络
- 工作内容覆盖LLM应用的全流程（数据、模型、应用、评估），有助于构建对AI项目完整的认知体系
- 职位要求100%现场办公，对异地求学的学生可能意味着额外的通勤或住宿成本
- 适合对AI技术有强烈热情，特别是对NLP/LLM在工业界落地感兴趣，并具备扎实技术基础和一定项目经验的计算机或AI相关专业的在校学生
缺点 / 挑战
- 需要将前沿的LLM技术与传统的工业领域知识结合，可能面临领域数据稀缺、业务逻辑复杂等落地挑战
- 作为实习生，需要在快速学习新技术的同时，独立负责部分模块的开发与优化，对自学能力和抗压能力要求较高
角色解读
- 实习期结束后，有机会凭借在垂直领域LLM应用的实践经验，转向公司的AI工程师、算法工程师或数据科学家等全职岗位
- 在工业与AI结合的赛道积累经验，未来可以向更资深的AI解决方案架构师或特定行业（如汽车、制造业）的AI专家方向发展
- 你将负责将大语言模型（LLM）技术应用于汽车和工业等具体业务场景，例如开发智能客服或故障诊断系统
- 你的工作包括从数据收集、清洗、标注开始，为模型训练准备高质量的领域数据
- 你需要参与LLM应用方案的设计、开发、优化以及最终效果的评估与迭代
- 扎实的计算机科学基础，包括数据结构、算法和至少一门编程语言（如Python）的熟练应用能力
- 对自然语言处理（NLP）和大语言模型（LLM）的核心概念（如Transformer、微调、RAG）有深入理解，并有相关项目实践经验
- 具备快速学习新技术、独立解决问题以及清晰撰写技术文档和进行汇报的软技能
申请策略
- 申请前可以研究康明斯在数字化和AI方面的公开报道或产品，在申请材料或面试中表达你对其业务与AI结合点的见解
- 准备好清晰、有条理地讲述你过去参与的技术项目，面试官很可能通过深挖项目细节来考察你的技术深度和解决问题的能力
- 重点突出与NLP/LLM相关的课程、项目或竞赛经历，详细描述你在其中承担的角色、使用的技术（如具体模型、框架）和取得的成果
- 展示你对主流开源LLM（如ChatGLM, Llama）的部署或调优经验，即使是课程项目或个人实验也可以
- 强调你的编程能力（尤其是Python）和解决复杂技术问题的实际案例，用数据或结果量化你的贡献
- 如果对工业领域不熟悉，可以提前了解一些汽车或制造业的基本术语和业务流程，这能让你在面试中更好地理解业务场景
- 深入学习和实践一个完整的LLM应用流程，例如使用LangChain等框架搭建一个简单的RAG问答系统，并尝试进行微调优化
面试指南
- 对于项目类问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策、动手能力和解决问题的逻辑
- 对于技术概念或方案设计问题，先清晰定义问题，然后分步骤阐述你的思路，可以结合你学过的理论或做过的实验来佐证你的观点
- 请详细介绍一个你参与过的NLP或LLM相关项目，你在其中具体做了什么？遇到了什么挑战？如何解决的？
- 你如何理解RAG（检索增强生成）和Fine-tuning（微调）？在什么场景下会优先选择哪一种？
- 如果让你为汽车维修手册构建一个智能问答系统，你会如何设计技术方案和数据处理流程？
- 你使用过哪些开源LLM（如Llama, ChatGLM）？在部署或使用过程中遇到过什么问题？
- 你认为将大语言模型应用于工业领域，最大的难点可能是什么？
- 系统回顾NLP和LLM的核心知识点，并准备好能证明你理解深度的具体案例或代码片段
职位点评
Watch Jobs