腾讯
校招腾讯地图-空间语义大模型研究
北京 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1. 学历和专业要求：
- 包含但不限于计算机科学、人工智能、自然语言处理、数据挖掘、地理信息系统（GIS）、模式识别、应用数学、统计学等相关专业的博士和优秀硕士。
- 2. 技术技能要求：
- 熟练掌握NLP/多模态大模型预训练与微调技术（如VLM、LoRA、MoE、RL等），熟悉PyTorch/DeepSpeed等训练框架；有大模型文本理解与生成（如LLM文本纠错、NER、信息抽取）、大模型视觉感知（如VLM图像理解、OCR、多模态对齐）、大模型空间建模（如坐标编码、地理位置表征学习）或LLM-based Agent系统开发经验者优先。
- 3. 软性素质要求：
- 具备较强的自驱力与问题拆解能力，善于在业界方案稀缺的新领域中探索创新路径；具备良好的跨团队沟通协作能力，能快速理解业务场景并推动技术落地。
岗位描述
【岗位职责】
1. 课题背景：
POI是电子地图的核心数据资产，目前方案是各业务基于开源模型做后训练提升效果，面临三大瓶颈：1）现有多模态大模型空间理解能力薄弱，缺乏对坐标、距离、几何关系等空间语义的精准建模能力；2）目前开源模型地图领域知识不够，缺乏地图数据规范性、空间、图片理解及对齐能力理解；3）当前Agent能力非原生内嵌，导致工具选择准确率低、多步决策链路脆弱。
2. 课题挑战：
空间模态建模尚处空白，业界缺乏成熟方案，这是本课题最核心也最前沿的挑战。同时，还需要解决原生Agent工具调用能力的训练数据构造、多任务联合训练的效果干扰与帕累托最优难题等空间语义大模型训练中的优化问题。
3. 具体工作：
你将参与地图POI领域多模态基座模型的预训练方案设计（空间-视觉-文本原生融合）、POI属性错误挖掘与自动生成的多任务联合训练、Agent能力集成（工具调用与多步决策）、多任务效果平衡与帕累托优化策略研究，以及大基座到专项小模型的蒸馏方案设计与评估体系建设。
【任职要求】
1. 学历和专业要求：
包含但不限于计算机科学、人工智能、自然语言处理、数据挖掘、地理信息系统（GIS）、模式识别、应用数学、统计学等相关专业的博士和优秀硕士。
2. 技术技能要求：
熟练掌握NLP/多模态大模型预训练与微调技术（如VLM、LoRA、MoE、RL等），熟悉PyTorch/DeepSpeed等训练框架；有大模型文本理解与生成（如LLM文本纠错、NER、信息抽取）、大模型视觉感知（如VLM图像理解、OCR、多模态对齐）、大模型空间建模（如坐标编码、地理位置表征学习）或LLM-based Agent系统开发经验者优先。
3. 软性素质要求：
具备较强的自驱力与问题拆解能力，善于在业界方案稀缺的新领域中探索创新路径；具备良好的跨团队沟通协作能力，能快速理解业务场景并推动技术落地。
【技术方向】
多模态、视觉、语音
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。