美团
实习【北斗实习】大模型应用算法研究员-多模态技术/空间智能Agent
北京 · 实习 · 博士
长期有效
任职要求
- 海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.超级学霸：专业成绩排名前1%。
- 2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。
- 3.竞赛大神：在顶级大赛上获奖。
- 4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。
岗位描述
【岗位职责】
【课题说明】
致力于探索多模态大模型与强化学习的前沿技术。研究方向包括多模态表征与理解、强化学习增强的生成与对齐、智能体（Agent）决策与规划等，业务影响覆盖美团外卖每天数千万的订单，核心工作是为用户及商家实现地理空间的智能规划，包括商家配送范围（决策用户是否能在该商家下单）、Area of Interest边框挖掘（AOI，即用户所处地理社区边界，保证用户下单体验的一致性）、用户拼单范围、骑手取件区域的建模与优化。目标是构建能够理解复杂业务需求、驱动范围智能调整的Agent系统，实现“技术驱动业务范式”的升级转变，最终促进平台供给繁荣与用户的供需匹配优化。
【建议研究方向】
- 1.多模态感知与表征建模：集成地理信息（GIS）、用户热力、图像、自然语言等多模态数据，进行联合表征学习与建模，攻克跨模态语义对齐难题，为空间智能理解与决策提供统一的感知基础。
- 2.强化学习增强的多模态生成与优化：探索强化学习在多模态大模型中的应用，研究基于RL的多模态内容（如图像、GIS、文本描述）生成、跨模态偏好对齐及模型自适应优化，以持续提升系统对复杂业务场景的理解与推理能力。
- 3.基于后训练的多模态内容理解与审核：探索多模态大模型后训练技术，实现图像质量审核、OCR识别、图文一致性校验、图像合成等能力，提升一线运营采集数据等场景的自动化水平与准确性。
- 4.面向履约空间规划的智能体（Agent）构建：设计并开发能意图识别、归因分析、并自主决策执行商家范围/AOI边界调整的智能体。重点研究Agent的任务规划、工具调用与动态策略优化能力。
- 5.业务仿真与决策推演：基于空间智能Agent，对不同的策略进行模拟推演，评估其对供给、平台规模、履约体验的影响，为科学决策提供支持。
我们将提供海量的真实业务场景与数据、充足的GPU计算资源以及极高的技术探索自由度，目标是产出兼具技术前沿性与业务影响力的成果，共同定义下一代智能履约空间位置规划的技术范式，同时能在顶级学术会议（如ICML, NeurIPS, KDD）发表paper。
【任职要求】
海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.超级学霸：专业成绩排名前1%。
- 2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。
- 3.竞赛大神：在顶级大赛上获奖。
- 4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。
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。