面壁智能
实习多模态大模型算法实习生-深圳
深圳 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 计算机、人工智能、统计学或相关专业在读，本科及以上学历
- 编程基础扎实，熟悉至少一种主流语言（Python/C++等）
- 熟悉常见深度学习框架(torch/transformers/ms-swift等)
- 在ACL、EMNLP、ICLR等顶级学术会议或期刊上发表过相关论文者优先
- 实习时长4～6个月，每周在岗至少4天。
岗位描述
面壁智能（简称面壁）以推动AGI终端场景革命为战略核心，专注高效大模型的全栈研发、产业应用与生态构建，致力于成为端侧智能的技术引领者。公司自主研发MiniCPM面壁小钢炮®系列端侧模型，凭借超高效能优势，赋能汽车人机交互系统、智能家居、AI手机、AIPC等终端。秉承“智周万物”的愿景使命，面壁攻关普惠的通用人工智能，助力终端产业智能化升级与垂直行业提效革新，并通过OpenBMB等开源社区开放技术成果，加速智能平权普惠进程。
岗位职责：
- 1、参与高质量训练数据的标准化，完成数据清洗支持模型微调与效果迭代；
- 2、参与模型训练及效果评测，能基于评测结果洞察数据问题，提出数据优化建议；
- 3、参与构建和优化自动化对齐系统，覆盖Prompt优化、数据合成链路、SFT训练验证；
- 4、识别和分析数据合成链路效果瓶颈，设计数据合成优化方案，持续优化数据合成效果；
- 5、应用Multi-Agent手段，实现自动化Prompt调优、AI as Judge等核心能力。
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。