科大讯飞
校招AI研究算法工程师-大模型预训练算法岗位(J13370)
合肥 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、拥有强烈科研热忱与长远科研信念，对通用人工智能充满探索欲，能形成独有的模型行为认知，主动挖掘、攻坚全新研究问题。
- 2、具备严谨的科研素养，逻辑思维突出，拥有良好研究审美，深耕深度学习领域并在至少一条细分方向形成体系化、深度独立见解。
- 3、专业技术与工程能力过硬，编程功底扎实，熟练运用各类前沿 AI 工具赋能研发，高效推进实验与落地工作。
- 4、秉持务实踏实的做事态度，重视数据核心价值，愿意沉下心完善数据与模型相关基础工作，独立快速吃透新兴研究赛道。
- 5、具备开放包容的协作意识，认同协同共进的团队文化，沟通顺畅、敢于理性质疑，待人平等，拥有全局大局观。
- 6、广泛且深入跟进行业前沿动态，拥有自主思考与笃定的研究思路，主动探索创新解法，持续推进预训练相关基础研究突破。
- 此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
- 加分项
- 1、以第一作者在NeurIPS、ICML、ICLR、ACL、EMNLP等AI顶会发表大模型、代码智能体等相关论文，若引用达到100以上优先
- 2、深度使用Claude Code、Codex等AI编程工具，对代码大模型能力边界、优化方向有真实实践认知
- 3、拥有LLM、Agent、代码大模型相关开源项目贡献经历，GitHub有活跃开源协作成果
- 4、参与过算法、代码、奥数类权威竞赛并取得优异名次，具备扎实的算法与代码功底
- 5、在顶尖 AI 公司或实验室的核心团队有过长期实习经历，并有重要研究成果落地到基模大模型。
岗位描述
- 1、探索模型尺寸、数据Scaling Law，指导团队对模型尺寸、数据量进行合理规划。
- 2、聚焦训练过程底层规律，开发收敛速度快、抗扰动能力强的优化策略，具备解决训练不稳定、不收敛等难题的能力。
- 3、面向产业落地痛点，融合软硬件特性，研发兼具强表征能力与低算力开销的创新模型架构。
- 4、针对模型结构及解码特性，探索高效解码算法和策略，降低大模型部署与迭代的算力成本。
- 5、持续跟踪行业最新科研进展，深耕预训练底层基础理论创新，突破现有范式，探索颠覆性全新建模思路与预训练范式。
- 1、拥有强烈科研热忱与长远科研信念，对通用人工智能充满探索欲，能形成独有的模型行为认知，主动挖掘、攻坚全新研究问题。
- 2、具备严谨的科研素养，逻辑思维突出，拥有良好研究审美，深耕深度学习领域并在至少一条细分方向形成体系化、深度独立见解。
- 3、专业技术与工程能力过硬，编程功底扎实，熟练运用各类前沿 AI 工具赋能研发，高效推进实验与落地工作。
- 4、秉持务实踏实的做事态度，重视数据核心价值，愿意沉下心完善数据与模型相关基础工作，独立快速吃透新兴研究赛道。
- 5、具备开放包容的协作意识，认同协同共进的团队文化，沟通顺畅、敢于理性质疑，待人平等，拥有全局大局观。
- 6、广泛且深入跟进行业前沿动态，拥有自主思考与笃定的研究思路，主动探索创新解法，持续推进预训练相关基础研究突破。
此岗位为科大讯飞集团统一招聘岗位，人员通过简历筛选、初试、复试、终审等环节后录用。
加分项
- 1、以第一作者在NeurIPS、ICML、ICLR、ACL、EMNLP等AI顶会发表大模型、代码智能体等相关论文，若引用达到100以上优先；
- 2、深度使用Claude Code、Codex等AI编程工具，对代码大模型能力边界、优化方向有真实实践认知；
- 3、拥有LLM、Agent、代码大模型相关开源项目贡献经历，GitHub有活跃开源协作成果；
- 4、参与过算法、代码、奥数类权威竞赛并取得优异名次，具备扎实的算法与代码功底；
- 5、在顶尖 AI 公司或实验室的核心团队有过长期实习经历，并有重要研究成果落地到基模大模型。
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。