阿里巴巴
校招算法工程师-评估系统算法
北京/杭州/上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 计算机、机器学习、人工智能、自然语言处理等相关专业，硕士及以上学历。
- 2. 具有大模型评测、Benchmark 构建、NLP 评测体系设计等相关方向的实践经验，对主流评测数据集的方法论与局限性有深入理解。
- 3. 精通 Python，具备扎实的工程能力，能够独立完成评测框架设计、数据处理、自动化评测 Pipeline 搭建等工作。
- 4. 具备优秀的分析思维与问题拆解能力，能够从评测结果中提炼深层洞察，将抽象的模型能力问题转化为可量化、可追踪的评测方案。
- 5. 对大模型能力边界有强烈的好奇心与敏锐的判断力，能够前瞻性地识别值得评测的新兴能力维度。
- 加分项
- 1. 在 LLM-as-Judge、自动化评测、动态 Benchmark 构建等方向有深入研究或实际落地经验，熟悉相关方法论的优势与陷阱（如位置偏差、自我偏好、评分校准等）。
- 2. 曾在 NeurIPS、ICLR、ICML、ACL、EMNLP 等顶级会议发表评测方法论、Benchmark 构建或模型分析相关论文。
- 3. 拥有知名评测相关开源项目贡献经历，在开源社区具有较好的影响力。
岗位描述
- 1. 模型弱点挖掘与诊断：建立系统化的模型能力诊断框架，通过自动化探测与深度分析相结合的方式，持续挖掘模型在推理、创作、指令遵循、事实性、安全性等维度的弱点与盲区，输出可行动的优化建议，驱动训练策略的精准迭代。
- 2. 评测数据集构建：持续、快速地构建覆盖各项模型能力的高质量评测数据集，涵盖知识问答、逻辑推理、代码生成、多轮对话、多模态理解等核心场景；建立数据质量管控与版本管理机制，确保评测集的权威性、时效性与区分度。
- 3. 前沿评测方法探索：研究并落地可靠、可扩展的评测方案，包括 LLM-as-Judge、Process-level Evaluation、动态自适应评测、对抗性评测等，解决传统静态 Benchmark 的饱和、污染与泛化性不足等问题，构建面向下一代模型能力的评测范式。
- 4. 模型边界能力测试：以前瞻性视角构造模型边界能力测试集，探索模型在极端推理深度、超长上下文、复杂多步规划、跨模态协同等前沿场景下的能力极限，为模型能力演进提供方向性指引。
- 5. 评测工程框架开发：参与开发 Evaluation 所需的工程框架，设计模块化、可配置的评测 Pipeline，简化各类测试任务与模型集成流程，提升团队在评测执行、结果分析、报告生成等环节的整体效率。
- 1. 计算机、机器学习、人工智能、自然语言处理等相关专业，硕士及以上学历。
- 2. 具有大模型评测、Benchmark 构建、NLP 评测体系设计等相关方向的实践经验，对主流评测数据集的方法论与局限性有深入理解。
- 3. 精通 Python，具备扎实的工程能力，能够独立完成评测框架设计、数据处理、自动化评测 Pipeline 搭建等工作。
- 4. 具备优秀的分析思维与问题拆解能力，能够从评测结果中提炼深层洞察，将抽象的模型能力问题转化为可量化、可追踪的评测方案。
- 5. 对大模型能力边界有强烈的好奇心与敏锐的判断力，能够前瞻性地识别值得评测的新兴能力维度。
加分项
- 1. 在 LLM-as-Judge、自动化评测、动态 Benchmark 构建等方向有深入研究或实际落地经验，熟悉相关方法论的优势与陷阱（如位置偏差、自我偏好、评分校准等）。
- 2. 曾在 NeurIPS、ICLR、ICML、ACL、EMNLP 等顶级会议发表评测方法论、Benchmark 构建或模型分析相关论文。
- 3. 拥有知名评测相关开源项目贡献经历，在开源社区具有较好的影响力。
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。