美团
实习【基座大模型北斗实习】大模型后训练研究
北京/上海 · 实习 · 不限
长期有效
任职要求
- 1、了解 PPO / GRPO / DPO 算法原理，最好动手实现过；
- 2、用过 veRL / OpenRLHF / TRL 等RL训练框架；
- 3、有 vLLM / SGLang / TensorRT-LLM 推理加速经验（rollout优化必备）；
- 4、做过多机多卡训练，理解显存管理和通信开销；
- 5、RL系统相关顶会论文（NeurIPS/ICML/ICLR/MLSys）。
岗位描述
【岗位职责】
简介：负责大规模强化学习系统设计、分布式调优、调度优化、算法 co-design等，包括不限于 RLHF、RLVR、Agentic RL等范式。和算法共同提升模型各类专项能力，应用生产力等等
你可能从事以下方向：
- 1、RL训练系统架构
①设计和实现支持 PPO及各类变种算法的高效训练框架。
②Data/Env Scaling，优化并发调度效率 。
- 2、在线采样 & Rollout 优化
①优化RL场景（longcot、长尾分布、多轮交互）推理引擎效率，包括不限于量化、MTP、并行切分等等。
②训推混部署、全流程异步训练，提升 GPU 利用率。
- 3、 训推一致性
①训推引擎天然为了各自最大化效率存在精度差异，研究如何不断降低两者diff，包括不限于 Routing Replay、确定性计算等等。
- 4、训练稳定性
①攻克RL训练特有的奖励Hacking、训练不稳定、KL爆炸等系统层面问题。
②设计细粒度的训练过程监控：reward曲线、KL散度、entropy变化实时可观测。
③优化 PPO clip、advantage normalization 等关键超参的自动调节机制。
- 5.、长程任务训练优化
①长程任务奖励稀疏、过程难精确控制，研究如何系统性的优化其中工程和算法挑战。
【任职要求】
- 1、了解 PPO / GRPO / DPO 算法原理，最好动手实现过；
- 2、用过 veRL / OpenRLHF / TRL 等RL训练框架；
- 3、有 vLLM / SGLang / TensorRT-LLM 推理加速经验（rollout优化必备）；
- 4、做过多机多卡训练，理解显存管理和通信开销；
- 5、RL系统相关顶会论文（NeurIPS/ICML/ICLR/MLSys）。
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。