百度
实习大模型推理产品经理（J100511）
北京市 · 实习 · 不限
长期有效
任职要求
- -具备大模型领域的基础认知，理解推理性能优化、KV Cache、Prefill-Decode（PD）分离等关键技术点，熟悉主流开源模型（如GLM、DeepSeek等）的架构特点与性能优势
- -对Token经济或SaaS订阅制商业模式有一定理解，能分析按量计费、套餐订阅等机制对用户行为与收入模型的影响，有产品实习或相关项目经验者优先
- -对大模型技术演进及AI Agent应用充满热情，具备强自驱力与快速学习能力，乐于主动探索前沿技术并推动产品落地
岗位描述
【岗位职责】
-模型推理服务产品设计：参与千帆MaaS平台的推理服务产品建设，协助设计API调用、控制台、性能监控等功能模块。调研开发者对模型推理的需求，输出竞品分析与用户需求文档
-订阅制产品体系建设：协助设计面向企业/个人的订阅制套餐，参与定价策略、配额管理、账单结算流程的产品设计。跟进订阅制用户生命周期管理，包括免费试用、续费提醒、升级引导等转化路径优化
-跨团队协作与落地推进：与算法、工程、运营团队紧密配合，推动推理服务性能优化与订阅系统开发上线。收集用户反馈与数据埋点，通过分析调用量、留存率、转化率等指标，迭代产品功能
-文档与市场支持：撰写推理服务API文档、订阅套餐说明、最佳实践指南，协助解答客户推理相关问题
【任职要求】
-具备大模型领域的基础认知，理解推理性能优化、KV Cache、Prefill-Decode（PD）分离等关键技术点，熟悉主流开源模型（如GLM、DeepSeek等）的架构特点与性能优势
-对Token经济或SaaS订阅制商业模式有一定理解，能分析按量计费、套餐订阅等机制对用户行为与收入模型的影响，有产品实习或相关项目经验者优先
-对大模型技术演进及AI Agent应用充满热情，具备强自驱力与快速学习能力，乐于主动探索前沿技术并推动产品落地
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。