美团
实习【北斗实习】大模型应用算法工程师 -【搜索系统】
北京 · 实习 · 博士
长期有效
任职要求
- 1.海内外高校计算机、人工智能、数学等相关专业 硕士或博士在读（2027年6月前毕业优先）。
- 2.扎实的机器学习/深度学习基础，熟悉 Transformer、BERT、LLM 原理。
- 3.热爱搜索、LLM，有技术热情，相信技术改造世界。
- 4.有较强的编程能力，有大厂实验室的实习经验，或有贡献突出的开源项目，或在在顶级大赛上获奖经历。
- 5、学术达人，在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）优先
岗位描述
【岗位职责】
【课题说明】
构建面向美团本地多业务场景的搜索系统，探索基于LLM的下一代本地生活服务搜索系统。通过探索LLM在搜索的意图理解、相关性建模、生成式召回、展示素材和样式的应用，提升搜索系统端到端的体验、匹配效率。
【建议研究方向】
- 1.基于LLM的轻量级搜索相关性模型
参与设计和实现基于LLM的可解释、可蒸馏、低延迟的大模型相关性判别器，提升搜索的体验。
- 2.多业务多目标混排机制
参与设计多业务多目标混排机制，实现多业务混合排序架构，融合多业务多目标排序，实现全局最优。
- 3.基于Transformer架构的高稠密精排模型
探索融合全域样本、多业务全域特征，基于Transformer和MOE构建多业务全域统一基础模型，在Data scaling的基础上持续摸高模型稠密化Scaling up。
- 4.多模态建模展示素材与创意
探索搜索场景下的创意素材展示策略，基于多模态内容理解表征建模、在线多目标创意素材排序建模，提升搜索的展示体验与效率。
【任职要求】
- 1.海内外高校计算机、人工智能、数学等相关专业 硕士或博士在读（2027年6月前毕业优先）。
- 2.扎实的机器学习/深度学习基础，熟悉 Transformer、BERT、LLM 原理。
- 3.热爱搜索、LLM，有技术热情，相信技术改造世界。
- 4.有较强的编程能力，有大厂实验室的实习经验，或有贡献突出的开源项目，或在在顶级大赛上获奖经历。
- 5、学术达人，在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）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。