百度
实习大模型算法实习生（J97242）
深圳市 · 实习 · 本科
长期有效
任职要求
- -计算机或者相关专业本科及以上在读，研一/研二；博一/博二/博三优先，至少4个月实习期
- -熟悉常用的机器学习和深度学习算法，熟悉业界领先的LLM（如GPT、LLaMA）的基本原理和训练方法，有文本生成、对话系统、问答系统、信息抽取等的研究经验
- -具备较强的编码能力，熟悉Python，熟悉PyTorch/Tensorflow等至少一种主流深度学习框架，有LLM项目经验者优先
- -具备优秀的学习能力和良好的沟通合作精神
- -在国际顶级会议/期刊上有相关论文发表者优先
岗位描述
【岗位职责】
-大语言模型算法优化与建设：负责大语言模型（LLM）的核心算法优化与建设工作，包括但不限于：大模型预训练和SFT、RLHF、蒸馏方向等技术
-智能办公场景下的LLM应用开发：将优化后的大语言模型应用于智能办公场景，包括但不限于对话系统、智能问答、信息抽取等关键领域
-LLM应用效果评估与优化：建立科学的评估体系，对LLM在智能办公场景下的应用效果进行全面评估，提升用户体验与系统性能
-技术前沿探索与团队协作：持续关注并研究大语言模型领域的最新技术动态与研究成果，保持团队在技术上的领先地位
【任职要求】
-计算机或者相关专业本科及以上在读，研一/研二；博一/博二/博三优先，至少4个月实习期
-熟悉常用的机器学习和深度学习算法，熟悉业界领先的LLM（如GPT、LLaMA）的基本原理和训练方法，有文本生成、对话系统、问答系统、信息抽取等的研究经验
-具备较强的编码能力，熟悉Python，熟悉PyTorch/Tensorflow等至少一种主流深度学习框架，有LLM项目经验者优先
-具备优秀的学习能力和良好的沟通合作精神
-在国际顶级会议/期刊上有相关论文发表者优先
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。