2027AIDU-大模型算法工程师(J99938)

北京市/深圳市 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

1. 计算机、人工智能、数学等相关专业硕士及以上学历；
2. 具备机器学习/深度学习/自然语言处理等扎实的理论背景与实践经验；
3. 精通Transformer、GPT、BERT等主流模型架构，熟练掌握Python及PyTorch/TensorFlow/PaddlePaddle等深度学习框架；
4. 有大规模预训练、SFT、RLHF、模型调优等实战经验者优先；
5. 熟悉分布式训练框架（如Megatron、DeepSpeed）及大数据处理工具（Hadoop、Spark）者优先；
6. 在NeurIPS、ICML、ACL、CVPR等顶会发表论文或有开源项目贡献者优先；
7. 具有较强的团队合作与问题解决能力，拥抱技术变化，敢于挑战核心难题。
【加分项】
1. 有量化感知训练（QAT）或 MTP 训练实践经验;
2. 熟悉 EAGLE / Medusa / MTP variants（如DeepSeek MTP、MiMo MTP）等投机推理或高效推理方案。
招聘部门：大模型算法部、健康事业部、PSIG策略部、应用模型技术部、预训练部、自动驾驶技术部、千帆策略部、数字人产研和视频Agent组、数字人直播和互动技术组

岗位描述

【岗位职责】

1. 负责大模型（LLM）的核心算法研发，包括预训练、指令微调（SFT）、RLHF、对齐优化、推理增强等；
2. 探索高效的模型调优策略、高质量数据建设方法，研究MoE稀疏化、Latent Attention等前沿模型结构；
3. 支持大模型在搜索、推荐、对话、AIGC、语音、网盘文库、出海等多元业务场景的应用落地与效果优化；
4. 负责量化、投机推理（MTP / Eagle / DFlash/DSpark）等训练–推理协同优化方案的设计与落地；
4. 设计、实现并优化大规模分布式训练与推理框架，提升训练稳定性和推理效率；
5. 参与大模型平台化建设，推动模型能力向创新产品转化。

【任职要求】

1. 计算机、人工智能、数学等相关专业硕士及以上学历；
2. 具备机器学习/深度学习/自然语言处理等扎实的理论背景与实践经验；
3. 精通Transformer、GPT、BERT等主流模型架构，熟练掌握Python及PyTorch/TensorFlow/PaddlePaddle等深度学习框架；
4. 有大规模预训练、SFT、RLHF、模型调优等实战经验者优先；
5. 熟悉分布式训练框架（如Megatron、DeepSpeed）及大数据处理工具（Hadoop、Spark）者优先；
6. 在NeurIPS、ICML、ACL、CVPR等顶会发表论文或有开源项目贡献者优先；
7. 具有较强的团队合作与问题解决能力，拥抱技术变化，敢于挑战核心难题。

【加分项】

1. 有量化感知训练（QAT）或 MTP 训练实践经验;
2. 熟悉 EAGLE / Medusa / MTP variants（如DeepSeek MTP、MiMo MTP）等投机推理或高效推理方案。

招聘部门：大模型算法部、健康事业部、PSIG策略部、应用模型技术部、预训练部、自动驾驶技术部、千帆策略部、数字人产研和视频Agent组、数字人直播和互动技术组

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →