面壁智能
实习VLM 算法实习生-多模态 Caption 与强化学习对齐
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 专业背景：计算机、计算机视觉、人工智能相关专业本科及以上学历。
- 算法深度：深度理解 VLM 架构（如 Clip-vit, MoE-VLM 等）及 强化学习（RL） 训练机制；有 Reward Model 设计与偏好对齐实战经验者优先。
- 工程能力：精通 PyTorch，具备构建大规模图像-文本数据处理 Pipeline 的经验，熟悉多模态模型高效微调技术。
- 实战经验：在 Image/Video Captioning 或多模态 Agent 领域有深入研究，对提升描述准确性与抑制幻觉有成熟的技术路线。
- 学术背书：在 CVPR/ICCV/NeurIPS/ICLR 等顶级会议发表过相关论文者优先。
- 你将获得
- 挑战感知极限：利用 RL 闭环解决 VLM 最核心的语义对齐难题，打造具备“专家级”观察力的多模态模型。
岗位描述
- 1、VLM 精细化 Caption 能力优化： 负责大规模多模态模型（VLM）的描述生成能力进化。构建高精度视觉描述 Pipeline，重点提升模型对空间几何关系、多目标交互及复杂场景细节的感知精度，解决 VLM 在生成长描述时的“视觉幻觉”问题；
- 2、视觉-语言偏好对齐 (VLM + RL)： 应用 RLHF/DPO 或 PPO 技术，针对视觉描述质量构建 Reward Model。通过自动化对齐技术（AI-as-Judge）或专家反馈，训练模型在受限约束下探索最优描述策略，确保输出符合高标准的严谨性与信息密度。
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。