阿里巴巴
校招大模型推理前沿技术研究-阿里星
北京/杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、在MLSys、NeurIPS、ICML、ACL等顶会/顶刊发表过论文；
- 2、在国际顶级竞赛（ACM/ICPC等）中取得冠亚军或优异成绩；
- 3、深度参与或主导贡献过顶级开源项目（vLLM/SGLang/TensorRT-LLM/Megatron-LM等）。
岗位描述
在这里，你将深入大模型计算的核心腹地，横跨算法压缩与系统工程，从万亿参数模型的轻量化创新到万卡集群的极致性能调优，打通从模型结构创新、高效压缩、到算子内核与分布式系统的全链路技术栈，打造全球领先的训练与推理加速引擎。
- 1、极致算子与内核开发
手写高性能GPU/NPU核心算子（CUDA/Triton），针对低比特量化、稀疏计算、注意力机制等场景深度挖掘硬件算力，结合编译优化与性能剖析（Nsight系列）突破计算瓶颈；
- 2、模型压缩与轻量化
研发FP8/INT4/INT8量化（PTQ/QAT）、结构化/非结构化稀疏、动态剪枝、低秩近似（LoRA）及MoE技术；利用强化学习（RL）与AutoML构建自动化压缩流水线，实现精度-效率帕累托最优；
- 3、分布式训练与通信优化
深度优化Megatron-LM、DeepSpeed等框架，突破万卡集群通信瓶颈，设计拓扑感知调度、通信压缩（如梯度压缩）、计算与通信重叠等策略，提升 scaling efficiency；
- 4、前沿推理架构落地
研究并部署投机采样（Speculative Decoding）、分离式推理（Disaggregated Inference）、KV Cache优化等技术，在生产环境实现延迟与吞吐的数量级提升。
- 1、在MLSys、NeurIPS、ICML、ACL等顶会/顶刊发表过论文；
- 2、在国际顶级竞赛（ACM/ICPC等）中取得冠亚军或优异成绩；
- 3、深度参与或主导贡献过顶级开源项目（vLLM/SGLang/TensorRT-LLM/Megatron-LM等）。
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。