大模型算法实习生（AIGC方向）

优缺点分析

角色解读

• 技术深耕：从实习生成长为资深算法工程师，专注多模态或大语言模型方向
• 研究导向：积累论文发表经验，后续可进入学术界或大厂研究团队
• 工程融合：通过工程化实践，转型为MLOps或推理优化专家，负责模型部署与落地
• 研究并落地AIGC技术与大语言模型在广告场景的应用，如文案生成、视频剪辑、数字人播报
• 参与大模型微调，包括SFT、RLHF和LoRA，提升模型生成质量与业务关联性
• 与工程团队协作，将算法封装为推理服务，优化显存、量化和加速，保障高并发低延迟
• 构建高质量数据集，建立自动化评估体系，持续迭代模型效果
• 扎实的Python/C++编程能力，熟悉Linux和PyTorch/TensorFlow框架
• 深入理解Transformer、BERT/GPT等模型原理，熟悉多模态或大语言模型
• 了解模型微调技术（SFT、RLHF、LoRA）及推理优化工具（vLLM、TensorRT等）
• 具备良好的文献阅读和实验分析能力，能快速探索前沿方法

申请策略

• 在简历中量化项目成果，比如模型性能提升百分比、推理速度优化倍数
• 面试前熟悉快手广告业务（磁力引擎），思考AIGC在其中的应用场景
• 突出与LLM、多模态相关的项目或研究经历，包括模型微调、推理优化等
• 列出Python/C++编程技能和深度学习框架使用经验，附上GitHub链接或博客
• 如果有论文或开源贡献，务必标注会议级别或项目影响
• 强调数据处理和实验分析能力，展示对算法效果迭代的理解
• 补充大模型微调实践，尝试用LLaMA-Factory或HuggingFace训练一个小模型
• 学习推理优化工具（vLLM、TensorRT、ONNX），动手部署一个简单服务

面试指南

• 对于原理类问题，先给出定义，再结合公式或示意图说明，最后举例应用场景
• 对于项目类问题，采用STAR法则（情境、任务、行动、结果），重点突出你的贡献和量化成果
• 对于开放性问题，先拆解问题为若干子问题，逐一给出解决方案，并分析权衡
• 请详细解释Transformer的Self-Attention机制，以及为什么在大模型中有效？
• 你如何理解LoRA？它与全量微调相比有什么优缺点？
• 请描述一个你训练或微调大模型的项目，遇到了哪些挑战？如何解决的？
• 如果要在高并发下部署一个LLM推理服务，你会做哪些优化？
• 对于广告文案生成任务，如何评估生成质量？设计一个自动评估方案