百度
实习大模型数据工程实习生（J103936）
北京市 · 实习 · 不限
长期有效
任职要求
- -熟悉 Linux 开发环境，掌握 Python 编程，有良好的代码能力和工程实践能力
- -了解机器学习、深度学习和大模型相关技术，对 Transformer、GPT、DeepSeek 等模型有基本认知。对大模型数据工程方向有兴趣，有相关项目经验者优先
- -具备以下经验者优先
- -解湖仓技术体系，有 Apache Paimon、Apache Iceberg、Hive 等数据湖/湖仓相关经验；有数据治理、数据资产管理、数据血缘、数据质量建设经验
- -熟悉大数据处理技术，如 Spark、Flink、Hadoop 等，有大规模数据处理经验
- -有 NLP、语音、图像、视频等多模态方向项目经验
- -具备良好的学习能力和逻辑思维能力，能够快速理解业务需求并推动问题解决，有主动承担任务的Owner 意识
岗位描述
【岗位职责】
-参与大模型训练与应用全流程建设，围绕数据、模型、评测和工程化方向开展技术研发
-参与大模型数据体系建设，包括多源数据采集、数据处理、质量评估、数据治理及训练数据生产流程优化
-参与大模型数据策略研发，探索数据清洗、数据增强、数据合成、数据筛选及数据价值评估等技术方案，提升训练数据质量
-参与大模型数据基础设施建设，基于湖仓技术构建大规模数据存储、管理和流转体系，提升数据资产管理与数据生产效率
-参与大模型相关平台和基础设施建设，开发数据处理、任务调度、模型调用、资源管理等工程化能力
【任职要求】
-熟悉 Linux 开发环境，掌握 Python 编程，有良好的代码能力和工程实践能力
-了解机器学习、深度学习和大模型相关技术，对 Transformer、GPT、DeepSeek 等模型有基本认知。对大模型数据工程方向有兴趣，有相关项目经验者优先
-具备以下经验者优先
-解湖仓技术体系，有 Apache Paimon、Apache Iceberg、Hive 等数据湖/湖仓相关经验；有数据治理、数据资产管理、数据血缘、数据质量建设经验
-熟悉大数据处理技术，如 Spark、Flink、Hadoop 等，有大规模数据处理经验
-有 NLP、语音、图像、视频等多模态方向项目经验
-具备良好的学习能力和逻辑思维能力，能够快速理解业务需求并推动问题解决，有主动承担任务的Owner 意识
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。