腾讯
实习内容服务-下一代大模型内容理解技术
深圳总部 · 实习 · 不限
长期有效
任职要求
- 1、具备较强的学习能力、清晰的逻辑思维能力和出色的沟通能力，有强烈的好奇心；
- 2、熟悉现有强化学习理论与框架，有探索新理论与新方法的热情；
- 3、具有扎实的计算机视觉和机器学习算法基础，有LLM、多模态LLM方向顶级论文者优先。
岗位描述
【岗位职责】
课题背景：
随着AIGC内容的快速增长和推荐系统形态的持续演进，平台内容正从以结构化文本为主，逐步转向文本、图像、视频、音频等多模态内容并存的生态。传统推荐系统在理解复杂内容语义和生成内容特征方面面临新的挑战。基于大模型的多模态统一表征与深度语义理解技术，正在成为提升内容理解能力与推荐效果的重要方向。本课题聚焦多模态语义建模与AIGC内容理解，探索构建统一的跨模态表征与理解框架，提升推荐系统对复杂内容的理解与分发能力。
课题挑战：
在多模态内容与AIGC规模化增长的背景下，推荐系统面临多方面
技术挑战：
首先，不同模态数据在语义空间中存在显著差异，如何实现文本、图像、视频、音频等多源数据的跨模态对齐与统一表征，是多模态理解的核心难题；其次，AIGC内容在语义表达、结构形式与质量稳定性方面具有更高的不确定性，系统需要具备更强的语义理解与判别能力，以识别内容质量、语义一致性及生成来源；此外，大模型在多模态任务中的训练成本与推理效率也对实际业务落地提出挑战，需要在模型效果、效率与规模化部署之间取得平衡。
具体工作：
参与多模态表征与语义理解相关研究工作，包括多模态特征建模、跨模态对齐方法探索及AIGC内容理解实验；参与构建实验数据与评测体系，验证相关算法在推荐场景中的效果，并协助推进模型能力在真实业务场景中的应用。
【任职要求】
- 1、具备较强的学习能力、清晰的逻辑思维能力和出色的沟通能力，有强烈的好奇心；
- 2、熟悉现有强化学习理论与框架，有探索新理论与新方法的热情；
- 3、具有扎实的计算机视觉和机器学习算法基础，有LLM、多模态LLM方向顶级论文者优先。
【技术方向】
大语言模型、NLP
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。