【LongCat大模型人才校招】Agentic Foundation Model 算法研究员

优缺点分析

角色解读

• 从算法研究员成长为团队中的技术骨干，主导 Agentic Foundation Model 的核心模块
• 向技术专家方向发展，在顶会发表高影响力论文，塑造行业技术标准
• 可转向算法 Leader 岗位，带领子方向团队推动技术落地与创新
• 负责构建大规模多模态数据处理与合成链路，设计数据飞轮以持续优化模型
• 探索长上下文缩放律，优化超长上下文机制，提升模型在复杂任务中的表现
• 研究 MoE、稀疏注意力等高效架构，协同优化训练与推理效率
• 探索多模态预训练新范式，提升模型在图文音等多模态交互中的原生能力
• 扎实的算法与数学基础，熟悉自然语言处理、生成式AI和机器学习
• 精通 Python 和深度学习框架（如 PyTorch），具备分布式训练经验
• 在大模型领域有研究基础，熟悉 Transformer、RLHF、长上下文等技术
• 良好的英文读写与沟通能力，能够跟踪前沿论文并快速复现

申请策略

• 研究团队近年发表的论文，在面试中展现对团队方向的认同与思考
• 准备一个自己最满意的研究项目，从问题定义、方法创新到实验效果完整讲述
• 突出在大模型领域的研究经历，特别是顶会论文、开源项目或竞赛成绩
• 详细描述在长上下文、RLHF、多模态或数据合成等方面的具体贡献与技术细节
• 强调编程能力与系统设计经验，如参与过大规模分布式训练或推理优化
• 补充强化学习（RLHF、PPO）和 MoE 架构的深入理解，可复现相关论文
• 熟悉分布式训练工具（如 DeepSpeed、Megatron-LM）和数据处理框架（如 Spark、Ray）

面试指南

• 对于研究类问题，遵循 STAR 法则：背景 (Situation)、任务 (Task)、行动 (Action)、结果 (Result)，并强调你的独特贡献
• 对于技术难题，先阐述问题本质，再列出候选方案，对比优劣，最后给出你的推荐及理由
• 对于系统设计问题，关注 scalability、efficiency、cost trade-off，体现全局视野
• 请介绍你在大模型领域的一个代表性工作，包括动机、方法、挑战与结果
• 你对 Agentic Foundation Model 的理解是什么？当前技术瓶颈有哪些？
• 如何设计一个高质量的大规模数据合成 pipeline？
• 长上下文建模中的技术难点有哪些？你如何评价稀疏注意力和线性注意力的优缺点？
• 假设我们要将模型从 8B 参数扩展到 70B，你会如何规划训练与分布式策略？