美团
实习【北斗实习】大模型应用算法工程师-智能交互
北京/上海 · 实习 · 硕士
长期有效
任职要求
- 1. 硕士及以上学历，计算机科学、人工智能、自然语言处理或相关专业；
- 2. 熟练掌握至少一种深度学习框架，如PyTorch、TensorFlow等，熟悉Python/Java编程语言，良好的编码习惯和工程能力；
- 3. 具有生成式模型训练及开发经验，如大模型数据处理、模型微调、预训练、强化学习、AI Agent等。
- 4. 有良好的沟通协作能力，能够在团队中积极主动地分享知识和经验；
- 5. 善于分析和发现问题，具备较强的自驱力，有强烈的学习意愿和创新精神，对大模型技术有浓厚的兴趣和热情。
岗位描述
【岗位职责】
【课题说明】
本岗位聚焦点评C端AI产品的算法研发与能力建设，负责基于大语言模型的智能交互产品的搭建及在点评场景的应用落地，包括AI Search、评价总结、Overview生成等全链路AI产品功能，覆盖点评所有偏 C 端的 AI 算法场景。当前重点方向是 AI 搜，致力于打造业内领先的 C 端 AI 体验。
【建议研究方向】
- 1. 任务拆解与规划能力建设：研究复杂用户需求下的任务分解、工具调用与自动化评估能力，构建任务拆解规划工具，提升系统对多步骤、多场景任务的适应能力、执行效率和评估闭环能力。
- 2. Memory与个性化交互技术：探索AI系统的记忆机制，使工具能够记住用户历史对话和偏好，打造更智能、更懂用户的个性化交互体验。
- 3. 数据构建与模型训练优化：构造高质量训练数据，开展模型训练与自动评估体系建设，推动大模型在业务场景的高效应用和持续迭代。
- 4. 本地生活场景质量保障：针对点评流量特点（结合现实世界的客观服务），研究质量保障相关技术，解决搜索和推荐结果的可信度与准确性问题。
【任职要求】
- 1. 硕士及以上学历，计算机科学、人工智能、自然语言处理或相关专业；
- 2. 熟练掌握至少一种深度学习框架，如PyTorch、TensorFlow等，熟悉Python/Java编程语言，良好的编码习惯和工程能力；
- 3. 具有生成式模型训练及开发经验，如大模型数据处理、模型微调、预训练、强化学习、AI Agent等。
- 4. 有良好的沟通协作能力，能够在团队中积极主动地分享知识和经验；
- 5. 善于分析和发现问题，具备较强的自驱力，有强烈的学习意愿和创新精神，对大模型技术有浓厚的兴趣和热情。
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。