腾讯
实习微信搜索-搜索场景下基于大模型的多模态输入表征应用研究
广州 · 实习 · 博士
长期有效
任职要求
- 学历和专业要求：自然语言处理/多模态/机器学习方向博士/硕士。
- 技术技能要求：必须掌握大语言模型/多模态大模型框架，熟悉预训练、后训练技术，并且至少有后训练相关经验。另外，需熟练掌握机器学习基础理论，以及强化学习技术。对大模型前沿技术和理论有不错理解。
岗位描述
【岗位职责】
课题背景：
利用大基座模型语义压缩和强表征能力，优化搜索内容理解、召回、精排各阶段输入，提升计算精度，提升搜索体验；另外，利用大模型解决搜索各阶段由于输入长度带来的在线计算带来的成本和耗时问题。
课题挑战：
- 1、微信搜索场景单doc下用户行为稀疏，历史query覆盖doc语义不全，单利用用户行为引导表征学习导致学习语义表征有偏，无法覆盖长尾内容需求；
- 2、搜索场景下，图文/视频场景 表征或压缩 涉及到跨模态/跨表征空间的语义对齐问题，直接关系到基于表征/压缩作为输入的，搜索模型召回粗排的能力上限，从而影响最终搜索模型的效果上限。
具体工作：
- 1、表征模型到搜索模型的语义空间对齐预训练；
- 2、视觉-文本表征如何更高效融合，提升输入压缩效果。
- 3、提升基于表征/压缩输入的搜索模型的粗排和召回能力。
【任职要求】
学历和专业要求：自然语言处理/多模态/机器学习方向博士/硕士。
技术技能要求：必须掌握大语言模型/多模态大模型框架，熟悉预训练、后训练技术，并且至少有后训练相关经验。另外，需熟练掌握机器学习基础理论，以及强化学习技术。对大模型前沿技术和理论有不错理解。
【技术方向】
多模态、视觉、语音
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。