腾讯
校招混元-基于稀疏自编码器（SAE）的大模型训练数据挖掘与质量筛选研究
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1.计算机/软件工程等相关专业硕士以上学历，拥有博士学位者优先，熟悉 python/c++编程语言，熟练掌握大数据技术栈，包括Hadoop/Spark等；
- 2.深入理解大语言模型预训练原理、预训练目标及数据构建流程，拥有发表顶会论文、大模型研究工作、知名竞赛获奖、顶级研究机构或一线互联网工作经验者优先
岗位描述
【岗位职责】
课题背景
大语言模型（LLM）的能力上限在很大程度上由预训练与微调数据的质量和分布决定。现有数据筛选方法（基于困惑度、规则过滤、模型打分等）依赖外部启发式信号，难以感知模型内部实际所需的知识特征，导致筛选标准与模型学习目标脱节。
稀疏自编码器（Sparse Autoencoder，SAE）能够将 LLM 内部激活分解为高维稀疏的单语义特征，使模型视角下的知识分布具备可量化、可干预的分析基础。本课题探索将 SAE 作为数据感知信号源，构建面向训练数据挖掘与质量筛选的系统化方法。
课题挑战
现有数据筛选方案均工作于模型外部，无法直接对齐模型的内部学习状态；SAE 特征空间维度高、解释链路长，如何将其有效映射为可操作的数据筛选信号，是本课题的核心技术难点。此外，SAE 特征激活分布与模型最终性能之间的相关性尚缺乏系统验证。
具体工作
- 1. 数据特征挖掘：利用 SAE 对目标领域语料进行特征激活分析，自动识别预训练数据中的知识盲区、冗余样本簇与高价值样本分布。
- 2. 语义多样性驱动的数据筛选：基于 SAE 特征激活的多样性度量（覆盖率、稀有特征密度等）替代传统嵌入相似度，构建更细粒度的数据去重与均衡选取策略。
- 3. 领域数据精准裁剪：以少量种子样本引导 SAE 特征空间检索，从海量通用语料中提取领域对齐数据，用于领域专用模型的监督微调（SFT）与持续预训练。
- 4. 数据质量可解释性评估：将 SAE 特征激活分布作为数据质量的可解释代理指标（proxy metric），建立与模型最终性能的相关性分析框架。
【任职要求】
- 1.计算机/软件工程等相关专业硕士以上学历，拥有博士学位者优先，熟悉 python/c++编程语言，熟练掌握大数据技术栈，包括Hadoop/Spark等；
- 2.深入理解大语言模型预训练原理、预训练目标及数据构建流程，拥有发表顶会论文、大模型研究工作、知名竞赛获奖、顶级研究机构或一线互联网工作经验者优先
【技术方向】
AI数据、数据工程
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。