科大讯飞
校招AI数据工程师-基座大模型方向(J13364)
合肥/武汉/西安/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、重点院校计算机科学、软件工程、人工智能、数据科学、数学、自动化等专业毕业，本科及以上学历。
- 2、具有扎实的编程和计算机基础，熟练掌握 Python等语言，具备良好的编程习惯和代码调试能力，熟悉 Linux 开发环境，能够使用 Git及AICoding类常用研发工具。
- 3、对大语言模型和训练数据具有浓厚的兴趣，认同训练数据质量对模型能力的重要性，愿意深入分析数据问题及其对模型效果的影响。
- 4、具备较强的学习能力、问题分析能力和实际动手能力，能够独立完成任务并持续优化结果。
- 5、具有良好的沟通能力和团队协作意识。
- 此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
- 加分项
- 1、在算法编程竞赛、数学竞赛或其他相关比赛中取得过较好成绩。
- 2、在大语言模型、自然语言处理、机器学习等方向发表过高水平论文，或参与过有影响力的开源项目。
- 3、有大语言模型、数据挖掘、机器学习相关的实习或科研经历。
岗位描述
- 1、参与大模型训练数据从采集、解析、清洗、去重、质量评估、合成加工到训练供给的完整流程，与模型算法团队紧密协作，持续优化数据质量、数据结构和数据处理效率。
- 2、参与代码、智能体、通用推理等多种类型数据的生产与管理，开发和维护大规模数据处理Pipeline，提升数据处理任务的自动化程度、运行效率和稳定性。
- 3、参与数据合成、自动标注系统建设、高质量数据体系建设等工作，保证训练数据可追踪、可复现和可评估。
- 4、与模型算法和评测团队协作，基于真实应用场景反馈，分析训练数据与模型效果之间的关系，参与错误案例分析和数据迭代，推动模型效果持续进步。
- 5、参与构建代码工程、AI搜索、工具调用、任务规划和多轮交互等复杂智能体任务轨迹数据。
- 1、重点院校计算机科学、软件工程、人工智能、数据科学、数学、自动化等专业毕业，本科及以上学历。
- 2、具有扎实的编程和计算机基础，熟练掌握 Python等语言，具备良好的编程习惯和代码调试能力，熟悉 Linux 开发环境，能够使用 Git及AICoding类常用研发工具。
- 3、对大语言模型和训练数据具有浓厚的兴趣，认同训练数据质量对模型能力的重要性，愿意深入分析数据问题及其对模型效果的影响。
- 4、具备较强的学习能力、问题分析能力和实际动手能力，能够独立完成任务并持续优化结果。
- 5、具有良好的沟通能力和团队协作意识。
此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
加分项
- 1、在算法编程竞赛、数学竞赛或其他相关比赛中取得过较好成绩。
- 2、在大语言模型、自然语言处理、机器学习等方向发表过高水平论文，或参与过有影响力的开源项目。
- 3、有大语言模型、数据挖掘、机器学习相关的实习或科研经历。
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
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）
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
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
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
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
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。