阿里巴巴
校招3D重建大模型-阿里星/T-Star
杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、毕业时间在 2026年11月及以后的在校硕博同学，计算机视觉、计算机图形学、机器学习等相关专业；
- 2、具备计算机图形学和计算机视觉理论基础；
- 3、具备极佳的工程实现能力，熟练掌握C++/Java/Python等至少一门语言；
- 4、敢于突破现状，勇于探索新思路、新技术，能够积极主动地进行协助沟通，配合团队共同完成目标；
- 5、在相关领域国际会议发表多篇论文或作为重要角色在权威比赛中取得优秀成绩优先。
岗位描述
- 1、物品3D大模型：聚焦淘宝商品的高还原度3D建模，产出比例结构、细节丰富度与实际物品具有高度一致性的3D模型
- • 基于稀疏图片的3R建模技术，支持动态/静态场景，输出高精度位姿、点云、深度图、体素结构等信息；
- • 设计3D VAE算法，构建高效3D数据表示（点云/网格/体素），实现3D数据的高效压缩，提升模型在几何重建、纹理生成和潜在空间控制方面的性能；
- • 结合自回归（AutoRegressive）、强化学习（Reinforcement Learning）等技术，提高3D生成的精度、可控性和泛化性；
- • 突破材质属性预测与生成技术，实现PBR材质预测、可控高清材质生成等，重点关注文字、纹理细节效果；
- 2、数字人3D大模型：打造高写实数字人，产出细节丰富（尤其是人脸）、可驱动的3D模型
- • 3D数字人生成算法，结合3DGS的表征能力和DiT的生成能力，实现端到端生成细节丰富、分辨率>1024的高精度人体3D模型，同时透出人体姿态等信息；
- • 3D数字人驱动技术，实现人体组件化、层次化拆解，实现自动化骨架绑定与蒙皮，确保驱动自然流畅。
- 1、毕业时间在 2026年11月及以后的在校硕博同学，计算机视觉、计算机图形学、机器学习等相关专业；
- 2、具备计算机图形学和计算机视觉理论基础；
- 3、具备极佳的工程实现能力，熟练掌握C++/Java/Python等至少一门语言；
- 4、敢于突破现状，勇于探索新思路、新技术，能够积极主动地进行协助沟通，配合团队共同完成目标；
- 5、在相关领域国际会议发表多篇论文或作为重要角色在权威比赛中取得优秀成绩优先。
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。