下一代大模型高效推理与生成范式研究-阿里星

北京/杭州 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先。
2. 具备扎实的数学基础，熟悉概率统计、优化理论、数值方法、随机过程等相关知识，能够从生成模型机制出发进行理论分析与算法设计。
3. 熟悉 LLM、Diffusion Model、Flow Model、Energy-based Model、自回归生成等生成式模型原理，对生成范式演进有深入理解。
4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先。
5. 熟练掌握 Python，熟悉 PyTorch/JAX 等深度学习框架，具备良好的算法实现、实验分析和工程优化能力。
6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先。

岗位描述

面向 LLM/AIGC 领域生成效率低、推理成本高、长序列生成受限等核心挑战，本课题聚焦下一代高效生成范式探索，突破传统自回归解码与多步扩散生成的效率瓶颈，为大模型推理加速提供新的算法范式和技术路径。

1. 探索面向 LLM 的新型高效生成范式，包括 Diffusion LLM、Parallel Thinking、半自回归生成等方向，提升语言模型在长文本、复杂推理和多步任务中的生成效率。
2. 探索多模型协作的部署方案，面向大流量在线推理场景，研究多模型路由、级联推理、动态调度与成本感知决策等机制，在保证效果的前提下尽可能降低推理成本。
3. 探索面向 Diffusion 模型的极少步数蒸馏技术，包括一致性蒸馏、分布匹配蒸馏、Mean Flow 等扩散蒸馏范式，挑战极少步数下的生成效果。
4. 探索视觉生成领域的新型加速范式，包括 AR Vision Generation、高倍隐空间压缩、非隐空间扩散生成等方向，在前沿方向上突破当前扩散生成的效能瓶颈。
1. 计算机科学、人工智能、机器学习、数学、统计学等相关专业硕士及以上学历，博士优先。
2. 具备扎实的数学基础，熟悉概率统计、优化理论、数值方法、随机过程等相关知识，能够从生成模型机制出发进行理论分析与算法设计。
3. 熟悉 LLM、Diffusion Model、Flow Model、Energy-based Model、自回归生成等生成式模型原理，对生成范式演进有深入理解。
4. 熟悉大模型推理、采样算法、并行生成、模型蒸馏、强化学习或后训练方法，有相关研究或项目经验者优先。
5. 熟练掌握 Python，熟悉 PyTorch/JAX 等深度学习框架，具备良好的算法实现、实验分析和工程优化能力。
6. 在 NeurIPS、ICML、ICLR、CVPR、ACL、MLSys 等顶级会议发表论文，或参与高质量生成模型/大模型开源项目者优先。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →