美团
校招【北斗】大模型算法研究员——小团
北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 【任职资格】
- 必要条件:
- 1.2027届本科及以上学历,计算机、人工智能等相关专业;
- 2.在大模型后训练等方面有深入实践,具备较强的动手能力;
- 3.扎实的深度学习和计算机理论基础,精通主流深度学习框架(如Tensorflow、Pytorch);
- 4.具备强悍的工程思维和代码能力,熟练使用Python/C++等编程语言。
- 加分项:
- 1.在ICLR/ICML/NIPS/ACL/CVPR等国际顶会有论文发表经历优先;
- 2.优秀的分析、解决问题能力,对AGI的未来趋势与挑战有浓厚兴趣;
- 3.对解决挑战性问题充满激情,较强的责任心、主动性和韧性,能良好的沟通协作。
- 【为什么是我们】
- 1、拥有业界一流的团队,成员大多来自国内外名校,团队内有多位北斗、博士,可全方位支持前沿技术研究;
- 2、核心业务支撑,参与前沿的大型模型技术研究和落地,探索大模型技术在实际业务场景中的应用;
- 3、创新型团队扁平化管理,研究成果直接连接数亿用户的实际生活;
- 4、美团核心AI落地场景之一,与团队一起探索AI- Native应用的技术难点与挑战,个人成长快。
岗位描述
【岗位职责】
【愿景】
面向小团AI搜索中的复杂业务场景,研究一套泛化增强方法,旨在解决多场景、多约束、多工具条件下模型泛化不足、调用不稳和新业务接入成本高等问题,提升模型在复杂业务搜索任务中的跨场景迁移能力、多约束执行能力、多工具调用稳定性。
【你将参与】
- 1.业务场景泛化:提升多业务场景下的任务适配与迁移能力。围绕外卖、到店、零售、酒旅等典型业务场景,研究统一任务建模与多场景联合训练方法,增强模型在不同业务场景、不同用户表达和不同任务类型下的适配能力与迁移能力,提高跨场景条件下的端到端任务完成效果。
- 2.复杂约束泛化与推理:提升复杂筛选条件下的理解与满足能力。围绕时间、地点、价格、人数、品类、优惠、排序偏好等核心筛选条件,研究复杂条件的识别、表示与执行方法,提升模型对多条件组合请求的理解能力、条件一致性处理能力和最终结果满足能力,增强复杂请求下的稳定执行效果。
- 3.垂域工具调用泛化:提升搜索工具调用的准确性与结果一致性。围绕工具选择、参数生成、调用校验和结果整合等关键环节,研究搜索工具调用优化方法,提升模型在真实业务链路中的工具调用准确率、完整调用成功率以及最终结果与调用结果的一致性,提高整体任务执行的稳定性和可用性。
【任职要求】
【任职资格】
必要条件:
- 1.2027届本科及以上学历,计算机、人工智能等相关专业;
- 2.在大模型后训练等方面有深入实践,具备较强的动手能力;
- 3.扎实的深度学习和计算机理论基础,精通主流深度学习框架(如Tensorflow、Pytorch);
- 4.具备强悍的工程思维和代码能力,熟练使用Python/C++等编程语言。
加分项:
- 1.在ICLR/ICML/NIPS/ACL/CVPR等国际顶会有论文发表经历优先;
- 2.优秀的分析、解决问题能力,对AGI的未来趋势与挑战有浓厚兴趣;
- 3.对解决挑战性问题充满激情,较强的责任心、主动性和韧性,能良好的沟通协作。
【为什么是我们】
- 1、拥有业界一流的团队,成员大多来自国内外名校,团队内有多位北斗、博士,可全方位支持前沿技术研究;
- 2、核心业务支撑,参与前沿的大型模型技术研究和落地,探索大模型技术在实际业务场景中的应用;
- 3、创新型团队扁平化管理,研究成果直接连接数亿用户的实际生活;
- 4、美团核心AI落地场景之一,与团队一起探索AI- Native应用的技术难点与挑战,个人成长快。
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。