【北斗】广告大模型应用算法工程师-OneModel广告算法研究员

优缺点分析

角色解读

• 技术专家方向：深耕广告算法与大模型技术，成为端到端广告系统架构的核心设计者
• 管理方向：在技术积累基础上，带领团队探索前沿方向，推动业务创新
• 学术与产业结合：依托团队学术合作资源，持续发表高水平论文，提升行业影响力
• 设计并实现端到端广告大模型架构，利用Causal Transformer、MoE等技术突破传统多级漏斗限制
• 研究多阶段训练范式，通过pre-training和post-training优化广告场景下的模型效果
• 探索广告场景的Scaling Law，推动算力驱动迭代，提升模型业务效果
• 深入掌握搜广推、大语言模型、序列建模、强化学习等领域的理论和方法
• 熟练使用Python或C++，具备大规模分布式训练和在线推理系统的研发能力
• 有顶级会议（如KDD、NeurIPS）论文发表或工业级算法系统主导经验
• 能够将前沿研究高效落地到严格延迟约束的线上生产环境

申请策略

• 深入了解美团广告业务和OneModel方向，在面试中展示对行业趋势的理解和兴趣
• 准备一个完整的端到端算法落地案例，从问题定义、方案设计到线上效果提升，突出量化指标
• 重点突出搜广推或大语言模型方向的系统性研究项目，展示从理论到落地的完整经验
• 强调顶级会议论文的贡献和影响力，尤其是与广告、推荐、序列建模相关的发表
• 详细描述大规模分布式训练和在线推理系统的实际案例，包括模型规模、延迟优化等
• 如果有端到端或多阶段训练相关项目，务必突出展示
• 强化RLHF、MoE、Causal Transformer等前沿技术的动手实践，准备相关的项目或实验
• 提升对Scaling Law的理解，尝试复现或分析大模型参数、数据与效果的关系

面试指南

• 采用STAR原则：情境、任务、行动、结果，结构清晰，量化结果
• 对开放设计题，先明确问题边界和假设，再分步提出方案，并比较优缺点
• 对于约束优化题，同时考虑算法效果和工程实现，展示全链路思维
• 请介绍你在搜广推或大模型方向的一个代表性工作，包括动机、方法、实验和落地效果
• 如何设计一个端到端广告生成模型？请谈谈架构选择的考虑和可能遇到的挑战
• 在广告场景中，RLHF与价值对齐如何实现？你如何平衡用户体验和平台收益？
• 你如何看待广告场景的Scaling Law？实验设计时如何验证“参数量→效果”的规律？
• 如果有严格的延迟约束（如10ms），你会如何优化大模型的在线推理？