百度
实习北京市/上海市 · 实习 · 本科
长期有效
【岗位职责】
-参与大模型应用低代码/无代码开发平台的算法设计与优化，提升开发者在平台上的体验与应用效率
-研究并应用前沿的深度学习和机器学习算法，推动大模型在实际业务场景中的应用落地，重点关注RAG、Agent与代码生成等方向
-深入理解数据飞轮、大模型训练、代码解释器等原理及常用方法并在工作中优化框架
-与产品、工程团队紧密合作，理解业务需求，制定相应的算法解决方案
-持续优化算法的效率和效果，确保平台的高性能和高可用性
【任职要求】
-本科及以上学历在校生，可尽快到岗线下实习4个月及以上，每周至少出勤4天
-计算机、软件相关专业，具备扎实的编程能力和算法基础；对AI产品有信念，有热情，有充分的求知欲和好奇心
-熟悉主流大语言模型（如GPT、LLaMA、DeepSeek等）的原理和应用
-精通Python，熟悉深度学习框架（PaddlePaddle/PyTorch/TensorFlow）
-具备以下一项或多项经验：CodingAgent设计开发；Prompt Engineering实践经验；大模型微调（Fine-tuning）经验；向量检索、知识库构建经验；LLM应用开发和策略实现经验
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
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）
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
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
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
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
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。