【dots】原生多模基座算法工程师

优缺点分析

角色解读

• 技术路线：从算法工程师成长为多模态对齐方向的专家，主导核心技术研发
• 管理路线：随着项目规模扩大，可向技术负责人或团队Leader发展
• 行业路线：积累前沿经验后，可转向AIGC、AI产品等领域的更高层职位
• 参与多模态大模型的后训练与对齐研究，优化模型在指令理解、规划、生成等方面的表现
• 探索图像生成与编辑中的对齐方法，包括SFT、偏好学习、强化学习等技术的应用
• 设计多模态奖励模型和强化学习算法，提升生成可控性与用户满意度
• 与产品、工程团队协作，将对齐成果落地到实际产品中
• 扎实的机器学习和深度学习基础，熟练使用PyTorch、JAX等框架
• 深入理解监督学习、强化学习、偏好学习等方法，并有生成模型或对齐方向的实践经验
• 优秀的实验设计与问题拆解能力，能从复杂现象中抽象问题并设计改进方案
• 熟悉图像生成、编辑、多模态模型的前沿技术，如Diffusion模型、RLHF等

申请策略

• 关注小红书在AIGC领域的布局，面试中展示对产品的理解
• 准备一个完整的项目案例，从问题定义到实验结论，体现系统性思维
• 突出生成模型或对齐方向的项目经历，如图像生成、编辑、RLHF等
• 展示顶会论文、竞赛获奖等加分项
• 强调实验设计和问题拆解能力，可附上具体案例
• 补充强化学习和偏好学习相关知识，如PPO、DPO等算法
• 熟悉Diffusion模型的最新变体及对齐方法
• 了解小红书业务特点，例如穿搭、家装等场景需求

面试指南

• STAR法则：描述情境、任务、行动和结果，突出个人贡献
• 对比分析法：对比不同方法或模型的优劣，展示技术深度
• 逻辑链条法：从问题发现到解决方案，逐步展示分析过程
• 请介绍一下你参与过的多模态生成模型项目，以及你在其中的贡献
• 解释一下RLHF在图像生成中的应用，与文本生成的差异是什么？
• 如何设计实验来评估图像编辑模型的对齐效果？
• 你对Post-Training的理解是什么？目前有哪些主流方法？
• 如果模型生成图像出现语义偏移，你如何进行根因分析和改进？