百度
实习大模型精度分析实习生（J103251）
北京市 · 实习 · 本科
长期有效
任职要求
- - 计算机、软件工程或相关专业本科及以上学历，具备扎实的编程能力与良好的工程规范意识，熟悉Python编程，掌握NumPy等数值计算库
- - 熟悉Kubernetes容器编排平台，了解Pod调度、资源管理等核心概念，具备在K8s集群上提交和管理训练/推理任务的实际经验
- - 深入理解大模型训练与推理的完整流程和底层原理，包括混合精度训练、量化、算子融合等核心机制
- - 熟悉主流深度学习框架（PaddlePaddle/PyTorch），理解计算图、算子执行等底层机制，能够结合框架进行精度问题排查
- - 了解主流大模型结构（Transformer、LLaMA等），具备模型精度分析或精度对齐相关实践经验者优先
- - 有多芯异构硬件（如昆仑XPU、昇腾NPU等）适配或精度验证经验者优先
岗位描述
【岗位职责】
- - 参与大模型多芯适配精度分析平台的建设，覆盖精度预检的完整闭环流程
- - 构建Module、算子级别的精度分析智能体，实现精度问题的自动化定位与归因
- - 参与精度基线建立与回归测试体系建设，保障模型迭代过程中的精度稳定性
- - 探索大模型在不同硬件（GPU/XPU等）、不同精度格式（FP32/BF16/INT8）下的精度差异分析方法
【任职要求】
- - 计算机、软件工程或相关专业本科及以上学历，具备扎实的编程能力与良好的工程规范意识，熟悉Python编程，掌握NumPy等数值计算库
- - 熟悉Kubernetes容器编排平台，了解Pod调度、资源管理等核心概念，具备在K8s集群上提交和管理训练/推理任务的实际经验
- - 深入理解大模型训练与推理的完整流程和底层原理，包括混合精度训练、量化、算子融合等核心机制
- - 熟悉主流深度学习框架（PaddlePaddle/PyTorch），理解计算图、算子执行等底层机制，能够结合框架进行精度问题排查
- - 了解主流大模型结构（Transformer、LLaMA等），具备模型精度分析或精度对齐相关实践经验者优先
- - 有多芯异构硬件（如昆仑XPU、昇腾NPU等）适配或精度验证经验者优先
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。