腾讯
校招广告推荐大模型推理基础技术研究
深圳总部 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 招聘要求：
- 1.机器学习或者体系结构相关顶会论文优先；
- 2.机器学习头部开源项目经验优先；
- 3.熟悉推荐算法或推荐系统架构经验优先；
岗位描述
【岗位职责】
课题背景：
受大语言模型成功的启发，业界针对推荐模型的scaling law进行了多代探索，持续增加模型参数规模和计算量，探索实现性能的持续提升。
早期工作主要集中于单纯扩大模型宽度或交互层参数，缺乏深思熟虑的架构设计，限制了推荐领域的实际效果。
后续如Wukong等尝试，通过设计更精细的模型结构并进行Scale，取得一定进展，但往往忽略了与硬件协同的设计与优化，导致性能未能达到最优。
因此数据计算平台部，围绕推荐前沿模型探索，深入模型和硬件协同技术，探索推理基础技术的创新。
课题挑战：
- 1. 极致推理性能要求，随着模型scaling，稠密部分的不断扩大，同时保障推荐场景苛刻的低延迟SLA要求，同时最大化推理吞吐。
- 2. 针对不同硬件架构，通过灵活的图编译引擎、高性能融合算子框架、并行/缓存基础设施等，实现多平台算力利用最大化。
- 3. 极致迭代效率要求，满足快速模型迭代中，对自定义算子、高性能融合算子等开发效率要求。
具体工作：
- 1. 与算法、系统等团队紧密协作，对推理基础技术进行CoDesign；
- 2. 新一代推荐系统架构探索，打破传统PS架构瓶颈，并扩展支持长序列、生成式等多种模型；
- 3. 针对广告场景特征，通过AI辅助、融合算子框架、DSL等创新，实现高性能融合算子开发方案。
【任职要求】
招聘要求：
- 1.机器学习或者体系结构相关顶会论文优先；
- 2.机器学习头部开源项目经验优先；
- 3.熟悉推荐算法或推荐系统架构经验优先；
【技术方向】
搜索、推荐、模型应用
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
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。