算法工程师-大语言模型

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 熟练掌握深度学习、机器学习、自然语言处理的基础知识，熟悉常用模型的原理、特点及应用，能够结合需要解决的问题选择适当的模型，并设计合理的技术方案；
2. 良好的科研能力，有成果发表在ICLR、ACL、NeurIPS、EMNLP、TACL等国际顶级会议、期刊者优先；有大规模语言模型（LLMs）方面经验者优先；
3. 熟悉TensorFlow、PyTorch等深度学习框架，熟悉Transformer、BERT、GPT、RNN、LSTM等典型深度学习模型的原理和实现；
4. 熟悉Python、C++、Java等至少一门编程语言，熟悉Linux环境；
5. 具备优秀的数据和逻辑分析能力、团队意识和沟通能力、自我驱动和抗压能力，具有强烈的求知欲和技术热情。
【加分项】
1. 在高影响力的开源项目中，做出过核心贡献；
2. 在数学建模相关国际和国家级比赛中获奖；
3. 在ACM ICPC等相关国际编程大赛中获奖。

岗位描述

1. 负责自然语言处理尤其是大模型领域的前沿技术创新研发；推动语言模型、知识表示、机器翻译、长思维链推理、对话系统、文本生成等关键技术和核心问题的解决，形成高引用论文和高价值专利，积极探索相关技术落地应用；
2. 负责追踪最新技术和热点，优化、改进现有技术和系统，提升系统的性能和效率，在内外部业务场景验证，形成业内领先的技术服务能力和体系；
3. 负责业务技术需求的支持，针对业务场景的真实需求，设计合理的技术方案和路线，通过技术创新和业务验证，实现业务价值和效率的提升。
1. 熟练掌握深度学习、机器学习、自然语言处理的基础知识，熟悉常用模型的原理、特点及应用，能够结合需要解决的问题选择适当的模型，并设计合理的技术方案；
2. 良好的科研能力，有成果发表在ICLR、ACL、NeurIPS、EMNLP、TACL等国际顶级会议、期刊者优先；有大规模语言模型（LLMs）方面经验者优先；
3. 熟悉TensorFlow、PyTorch等深度学习框架，熟悉Transformer、BERT、GPT、RNN、LSTM等典型深度学习模型的原理和实现；
4. 熟悉Python、C++、Java等至少一门编程语言，熟悉Linux环境；
5. 具备优秀的数据和逻辑分析能力、团队意识和沟通能力、自我驱动和抗压能力，具有强烈的求知欲和技术热情。

【加分项】

1. 在高影响力的开源项目中，做出过核心贡献；
2. 在数学建模相关国际和国家级比赛中获奖；
3. 在ACM ICPC等相关国际编程大赛中获奖。

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 →