美团
实习【LongCat实习】大模型训练AI工程师
北京/上海 · 实习 · 硕士
长期有效
任职要求
- 1.计算机、电子工程、数学等相关专业硕士及以上学历
- 2.有一定大模型训练/推理/分布式系统相关开发经验
- 3.熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现
- 4.熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验
- 5.扎实的C++/Python/CUDA编程能力，有性能优化经验
- 6.有实际参与过10B+参数规模模型训练的项目经验优先
岗位描述
【岗位职责】
本岗位覆盖以下主要技术方向：
- 1.方向一：文本/多模态预训练
- • 设计和优化千亿级参数大模型的分布式训练系统，支持文本基座预训练和原生多模态训练的正确性、性能和稳定性
- • 负责训练框架核心模块（通信、调度、容错、Checkpoint、数据加载）的架构设计和性能优化，在同等硬件条件下持续提升训练吞吐
- • 协同算法迭代和硬件演进，针对新模型架构（MoE、超长序列、多模态融合）快速完成训练适配和性能验证
- • 作为工程Pipeline的上游起点，持续推进训练Infra的架构迭代方向
- 2.方向二：强化学习框架
- • 构建并提升在线RL训练系统的性能和Scale能力，打通策略更新、环境交互、奖励建模的端到端训练流程
- • 支持Chat/Thinking/Agentic以及未来多种RL范式（PPO/GRPO/DPO等），和算法Codesign推进RL架构迭代
- • 设计高效的Actor-Critic架构、经验回放机制和分布式采样系统
- • 负责RL训练的性能瓶颈分析和优化，包括GPU利用率提升、通信开销降低、训练稳定性保障
- 3.方向三：异构算力适配
- • 建设迭代多种异构算力（GPU/NPU等）的验证和适配方案，包括稳定性保障、精度验证和高性能runtime
- • 开发调优GPU和NPU架构的通信算子，推进超节点架构的最佳实践
- • 面向RL采样场景，深入优化NPU架构的推理性能
- • 跟踪硬件生态发展，评估新硬件的技术价值，输出选型建议和规模化落地方案
- 4.方向四：高性能内核
- • 定制开发高性能计算内核，深入发掘GPU/NPU等不同硬件架构的优化空间
- • 推进算子开发范式的迭代，探索自动化算子生成（如LLM辅助生成高性能kernel）
【任职要求】
- 1.计算机、电子工程、数学等相关专业硕士及以上学历
- 2.有一定大模型训练/推理/分布式系统相关开发经验
- 3.熟悉PyTorch/Megatron-LM/DeepSpeed等主流框架中至少一个的内部实现
- 4.熟悉至少一种分布式并行策略（DP/TP/PP/SP/EP）的原理和实现细节，或有高性能算子开发经验
- 5.扎实的C++/Python/CUDA编程能力，有性能优化经验
- 6.有实际参与过10B+参数规模模型训练的项目经验优先
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。