腾讯云—多模态大模型高精度蒸馏加速研究

上海 · 实习 · 不限

长期有效

前往官方投递页 →

任职要求

1、熟悉深度学习基础理论，掌握模型蒸馏核心原理，了解扩散模型（如Stable Diffusion）、大语言模型（如DeepSeek、Qwen等）的基本结构；
2、熟练使用Python编程语言，掌握PyTorch/FSDP等深度学习框架，能独立完成模型训练与调试；
3、具备良好的逻辑思维能力、问题解决能力，对模型加速、蒸馏方向有浓厚兴趣，愿意主动学习前沿技术；
4、熟悉模型蒸馏、量化（INT8/INT4）、剪枝等常用模型压缩技术，有落地经验。

岗位描述

【岗位职责】

课题背景：

随着大语言模型（LLM）、扩散模型在生成式AI领域的广泛应用，模型规模持续扩大，带来了高算力消耗、高显存占用、推理延迟高的问题，严重制约其在端侧、边缘设备及低算力场景的落地。本课题聚焦模型蒸馏压缩技术，重点针对扩散模型与大语言模型，通过蒸馏、量化、剪枝等技术手段，在尽可能保留原模型精度与生成效果的前提下，实现模型轻量化，降低部署成本，推动生成式AI技术的规模化、低成本应用。

课题挑战：

1、精度与轻量化平衡的核心挑战：扩散模型的生成质量、大语言模型的语义理解与生成连贯性，对模型结构和参数依赖性极强，蒸馏过程中难以在大幅压缩模型体积（参数量、计算量）的同时，完全保留原模型的性能，易出现生成模糊、语义偏差、推理精度下降等问题。
2、针对性蒸馏策略设计难度：扩散模型与大语言模型的模型结构、训练逻辑差异显著，需设计差异化蒸馏方案，适配两类模型的核心特性，避免通用蒸馏方法导致的性能损耗，同时优化蒸馏效率。
3、工程化落地的技术瓶颈：蒸馏后的轻量化模型需适配不同部署场景（端侧、边缘、云端），需解决蒸馏过程中的训练稳定性、量化噪声、剪枝稀疏性带来的推理效率瓶颈；同时需兼顾蒸馏速度与模型泛化能力，避免过拟合，确保轻量化模型在复杂场景下的可靠运行。

具体工作：

1、负责扩散模型、大语言模型的蒸馏压缩方案设计与实现，结合两类模型特性，选用合适的蒸馏策略（如知识蒸馏、自蒸馏、量化蒸馏），制定模型压缩目标（参数量、计算量、推理延迟）。
2、开展蒸馏模型的训练与优化，调试蒸馏温度、损失函数、蒸馏节奏等关键参数，解决蒸馏过程中精度下降、训练不稳定等问题，确保轻量化模型与原模型性能差距控制在可接受范围。
3、配合工程团队，完成蒸馏后模型的量化、剪枝等后续优化，适配不同部署场景的需求，测试模型推理速度、显存占用情况，输出工程化落地方案；跟进模型蒸馏领域前沿技术，迭代优化蒸馏策略，提升压缩效率与模型性能。

【任职要求】

1、熟悉深度学习基础理论，掌握模型蒸馏核心原理，了解扩散模型（如Stable Diffusion）、大语言模型（如DeepSeek、Qwen等）的基本结构；
2、熟练使用Python编程语言，掌握PyTorch/FSDP等深度学习框架，能独立完成模型训练与调试；
3、具备良好的逻辑思维能力、问题解决能力，对模型加速、蒸馏方向有浓厚兴趣，愿意主动学习前沿技术；
4、熟悉模型蒸馏、量化（INT8/INT4）、剪枝等常用模型压缩技术，有落地经验。

【技术方向】

AI基础设施、系统与安全

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 →