面向多模态生成的理解算法研究

深圳总部/北京/上海/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 熟悉多模态理解技术，有VLM模型的核心经验；
2. 具备大模型训练、调参、实验分析和问题排查能力；
3. 对数据有感觉、认同数据价值，能够深入分析数据、构建数据方案；
4. 好奇心强，思路灵活，做事认真负责，愿意挑战开放问题；
5. 熟练使用 AI 工具提升研发效率。
加分项
1. 有大规模预训练、VLM模型训练直接经验；
2. 有顶会论文、开源项目、产品落地经验等；
3. 在ACM、NOI等竞赛中取得优秀成绩。

岗位描述

【岗位职责】

多模态生成大模型的训练和推理离不开多模态理解算法，且生成任务对于理解有其独特的需求。该项目希望能够研究最适合多模态生成大模型的理解能力，重点包括但不限于：

1. 对多模态音视频进行有重点、准确的文本描述（Caption能力），提升多模态生成的效果；
2. 精准理解多模态上下文（比如图像、视频、动作、身份ID、镜头等）的关联关系，构建高质量的参考、编辑等指令；
3. 将用户的Prompt和意图通过理解模型准确转化为多模态生成模型的输入，提高多模态生成系统整体的效果和智能。

【任职要求】

1. 熟悉多模态理解技术，有VLM模型的核心经验；
2. 具备大模型训练、调参、实验分析和问题排查能力；
3. 对数据有感觉、认同数据价值，能够深入分析数据、构建数据方案；
4. 好奇心强，思路灵活，做事认真负责，愿意挑战开放问题；
5. 熟练使用 AI 工具提升研发效率。

加分项

1. 有大规模预训练、VLM模型训练直接经验；
2. 有顶会论文、开源项目、产品落地经验等；
3. 在ACM、NOI等竞赛中取得优秀成绩。

【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

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 →