简法
← 返回岗位列表

科大讯飞

校招

AI研究算法工程师-计算机视觉方向(J13378)

合肥/广州/成都 · 校招 · 2027 届 · 硕士

长期有效

任职要求

  • 1. 硕士及以上学历，计算机、人工智能、电子信息、自动化等相关专业
  • 2. 具备扎实的计算机视觉和深度学习基础，熟悉Transformer、视觉语言模型、生成模型等技术
  • 3. 熟练掌握Python、PyTorch等开发工具，具备良好的算法实现和工程能力
  • 4. 在多模态理解、多模态交互、OCR、人体感知、数字人或医疗影像大模型等至少一个方向具有研究或项目经验
  • 5. 具备良好的文献阅读、问题分析、沟通协作和快速学习能力
  • 6. 具备使用AI工具进行编程、调试、实验结果分析的能力。
  • 【加分项】
  • 1. 具备大模型或多模态大模型训练、微调、评测、推理部署等实战经验
  • 2. 熟悉RAG、工具调用及多模态Agent开发，能够熟练使用智能编程与Agent工具
  • 3. 在相关高水平会议或期刊发表过论文，或具有高质量开源项目经验
  • 4. 在ICPC、CCPC、NOI等程序设计竞赛或高水平AI竞赛中获奖
  • 5. 具备上述重点方向的规模化应用或产业落地经验。
  • 此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、笔试、初试、复试、终审等环节后录用

岗位描述

  • 1. 参与星火多模态大模型研发，开展视觉编码、跨模态对齐、视觉理解与推理等技术研究；
  • 2. 负责多模态理解算法研发，包括图像、视频等视觉内容的语义理解、问答与推理；
  • 3. 负责多模态交互与以人为中心的感知技术研发，包括人脸人体分析、行为理解、情感与意图识别、视听交互等；
  • 4. 负责OCR与文档理解技术研发，包括文字识别、版面分析、信息抽取、文档问答等；
  • 5. 探索数字人合成技术，包括人物生成、语音驱动、口型表情及动作生成等；
  • 6. 开展医疗影像大模型研发，探索医学影像理解、知识融合、辅助分析与可信评估；
  • 7. 跟踪前沿技术进展，推动算法优化、工程落地和成果转化。
  • 1. 硕士及以上学历，计算机、人工智能、电子信息、自动化等相关专业；
  • 2. 具备扎实的计算机视觉和深度学习基础，熟悉Transformer、视觉语言模型、生成模型等技术；
  • 3. 熟练掌握Python、PyTorch等开发工具，具备良好的算法实现和工程能力；
  • 4. 在多模态理解、多模态交互、OCR、人体感知、数字人或医疗影像大模型等至少一个方向具有研究或项目经验；
  • 5. 具备良好的文献阅读、问题分析、沟通协作和快速学习能力；
  • 6. 具备使用AI工具进行编程、调试、实验结果分析的能力。

【加分项】

  • 1. 具备大模型或多模态大模型训练、微调、评测、推理部署等实战经验；
  • 2. 熟悉RAG、工具调用及多模态Agent开发，能够熟练使用智能编程与Agent工具；
  • 3. 在相关高水平会议或期刊发表过论文，或具有高质量开源项目经验；
  • 4. 在ICPC、CCPC、NOI等程序设计竞赛或高水平AI竞赛中获奖；
  • 5. 具备上述重点方向的规模化应用或产业落地经验。

此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、笔试、初试、复试、终审等环节后录用

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

登录后分析我的简历

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）

类型专业能力·难度困难
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

类型项目经历·难度中等
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

类型专业能力·难度简单
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

类型专业能力·难度中等
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

类型情景/案例·难度中等
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。

前往官方投递页 →