阿里巴巴
校招基础平台研发工程师-开源技术社区
北京/杭州 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 硕士及以上学位，计算机科学或相关领域专业，具备扎实的计算机基础与工程实现能力。在强化学习、多智能体系统（Multi-Agent Systems）、机器学习平台，云服务平台，大模型训练推理等领域中，具备单领域或多领域相关经验者优先；
- 2. 扎实的编程能力，精通 Go、Java、Python、C++ 等编程语言。熟练掌握Pytorch等常用深度学习框架，对HuggingFace、ModelScope等平台工具有深入了解和使用经验者优先；
- 3. 良好的工程架构设计能力以及出色的分析问题、解决问题能力，能从开发者视角思考问题，能够独立处理复杂的技术挑战。有良好的自我学习能力及自驱力，对前沿领域有强探索欲和好奇心；具备良好的沟通能力和团队协作能力。具备较好的英文读写能力；
- 4. 在国际顶级计算机会议/期刊（如NeurIPS、ICML、ICLR、ACL、SIGMOD、VLDB、ICDE、KDD等）以一作身份发表论文者优先，获得 ACM 或 ML/NLP/CV 相关竞赛奖项者优先；
- 5. 对开源社区有技术热情，有开源生态贡献和建设相关经验者优先。
岗位描述
- 1. 支持ModelScope（魔搭）平台的服务建设，围绕模型为中心，建设涵盖数据集、创空间、工具服务化生态等平台组件研发和后台服务的管理；
- 2. 通过与底层云基座打通，打造ModelScope平台的服务自动弹性和水平扩展能力，为千万级别的开发者用户提供稳定的服务，实现高效的计算资源使用。构建开源平台上“模型即服务”的完整生态；
- 3. 参与大模型推理框架以及定制微调技术的研发与优化。围绕ModelScope的模型生态，开发各领域开源模型（尤其是LLM以及AIGC领域模型）实现应用落地所需的相关工具链生态。支持模型从ckpt落地为实际应用所需的自动化部署，评测等一系列工程链路，以及Agentic应用生态的落地;
- 4. 参与跨部门、跨公司、以及与全球开源社区的协作，探索AI领域前沿技术研究与创新，推动包括大模型在内的各领域最前沿模型生态的发展和推广；
- 5. 撰写技术设计文档以及用户文档，包括操作手册和最佳实践指南等。
- 1. 硕士及以上学位，计算机科学或相关领域专业，具备扎实的计算机基础与工程实现能力。在强化学习、多智能体系统（Multi-Agent Systems）、机器学习平台，云服务平台，大模型训练推理等领域中，具备单领域或多领域相关经验者优先；
- 2. 扎实的编程能力，精通 Go、Java、Python、C++ 等编程语言。熟练掌握Pytorch等常用深度学习框架，对HuggingFace、ModelScope等平台工具有深入了解和使用经验者优先；
- 3. 良好的工程架构设计能力以及出色的分析问题、解决问题能力，能从开发者视角思考问题，能够独立处理复杂的技术挑战。有良好的自我学习能力及自驱力，对前沿领域有强探索欲和好奇心；具备良好的沟通能力和团队协作能力。具备较好的英文读写能力；
- 4. 在国际顶级计算机会议/期刊（如NeurIPS、ICML、ICLR、ACL、SIGMOD、VLDB、ICDE、KDD等）以一作身份发表论文者优先，获得 ACM 或 ML/NLP/CV 相关竞赛奖项者优先；
- 5. 对开源社区有技术热情，有开源生态贡献和建设相关经验者优先。
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。