腾讯
实习广告超大模型训练系统基础技术研究
深圳总部 · 实习 · 不限
长期有效
任职要求
- 1、对深度学习训练系统有深厚兴趣，熟悉PyTorch框架，熟悉python/c++编程；
- 2、有深度学习框架研发经验优先；
- 3、有推荐模型/LLM大模型训练经验优先；
- 4、有算法工程codesign经验优先。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：
随着Scaling Law 在LLM大模型场景的效力验证，Scaling Law成为大模型技术演进的核心趋势。这一浪潮深刻重塑了推荐系统领域：为了精准建模用户万级超长行为序列、深层兴趣交互及多模态特征，广告推荐模型正加速向 10+B 参数升级，在此背景下，腾讯广告正式启动“新一代广告 Infra”项目。
课题挑战：
模型复杂度的激增使广告推荐系统面临严峻挑战：既需应对耗时有限的约束，又面临算力与显存瓶颈，传统的单机及数据并行架构已触及性能天花板，成为制约模型规模扩展的核心障碍。
核心挑战：
- 1、模型Scaling Up：广告推荐系统行业趋势表明，未来模型都需要scaling，而且随着Dense规模的放大、计算密度的增加，在广告场景下，受限于严苛的成本ROI压力，实现Dense参数和序列的Scaling挑战很大；
- 2、模型迭代效率：模型需要快速更新与试错，对底层Infra的能力提出更高的要求。当前制约模型快速迭代的瓶颈主要体现在2个维度：一是模型Burn的过程需要加速；二是新算子的引入与适配周期需要缩短。
具体工作：
- 1、研究广告大模型的训练系统多维并行分布式训练与显存优化技术，突破算力墙与存储墙的双重限制，打造高效、可扩展的技术底座，支撑广告推荐系统向更大规模、更高智能进阶；
- 2、研究广告大模型训练效率优化技术和GPU友好模型架构，提高GPU有效利用率，降低广告大模型训练成本，支撑广告业务在成本可控情况下训练更大规模模型。
【任职要求】
- 1、对深度学习训练系统有深厚兴趣，熟悉PyTorch框架，熟悉python/c++编程；
- 2、有深度学习框架研发经验优先；
- 3、有推荐模型/LLM大模型训练经验优先；
- 4、有算法工程codesign经验优先。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【技术方向】
搜索、推荐、模型应用
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。