科大讯飞
校招AI研究算法工程师-时序算法方向(J13714)
合肥 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 计算机科学、人工智能、统计学或相关专业硕士学历
- 2. 具备机器学习与深度学习基础知识，熟悉常见神经网络结构（如RNN、LSTM、Transformer），了解时序建模基本范式
- 3. 熟练使用Python进行数据分析与模型开发，掌握PyTorch或TensorFlow至少一种框架，能独立完成端到端实验流程
- 4. 有课程设计、竞赛项目、实习经历或开源贡献中涉及时间序列分析、预测建模或AI应用者优先
- 5. 逻辑清晰、责任心强，具备快速学习能力与良好的沟通协作意识，愿意在AI基础技术方向长期深耕。
- 此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
岗位描述
- 1. 参与时序大模型相关算法的工程实现与实验验证，包括数据预处理、模型训练、调参优化及效果评估等基础研发工作；
- 2. 协助完成工业、能源等领域典型时序场景的需求理解与技术适配，支持模型在实际业务数据上的测试与迭代；
- 3. 参与时序数据处理流程建设，包括数据清洗、特征构造、样本组织及标准化评估指标设计；
- 4. 配合团队完成模型轻量化、推理加速及接口封装等工程化任务，推动算法能力向产品功能转化；
- 5. 跟踪时序AI技术发展趋势，参与内部技术分享与跨职能协作，持续提升工程实践与问题解决能力。
- 1. 计算机科学、人工智能、统计学或相关专业硕士学历；
- 2. 具备机器学习与深度学习基础知识，熟悉常见神经网络结构（如RNN、LSTM、Transformer），了解时序建模基本范式；
- 3. 熟练使用Python进行数据分析与模型开发，掌握PyTorch或TensorFlow至少一种框架，能独立完成端到端实验流程；
- 4. 有课程设计、竞赛项目、实习经历或开源贡献中涉及时间序列分析、预测建模或AI应用者优先；
- 5. 逻辑清晰、责任心强，具备快速学习能力与良好的沟通协作意识，愿意在AI基础技术方向长期深耕。
此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
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。