小鹏汽车
校招【27届校招】语音大模型算法工程师（北京/上海）
北京/上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 硕士及以上学历，计算机科学、人工智能、数学、电子工程、自动化、语音语言学等相关专业
- 基础能力:
- -扎实的机器学习 / 深度学习理论基础 (Transformer、Attention、Loss 设计、训练范式)
- -熟练使用 PyTorch 等主流深度学习框架，有实际模型训练 / 调优经验
- -熟练 Python, 具备扎实的工程实现能力
- -良好的数学基础(概率论、线性代数、最优化)
- 学习能力: 能快速阅读英文顶会论文 (NeurIPS / ICML / ACL / EMNLP / Interspeech / ICLR / CVPR 等), 具备前沿技术调研与复现能力
- 综合素质: 良好的逻辑思维、问题分析与解决能力；责任心强，有团队协作精神；对 AI 技术有持续的热情和探索欲。
- 【加分项 】(任一方向相关即可)
- 大模型方向: LLM 预训练 / SFT / RLHF / DPO 项目经验；熟悉 DeepSpeed / Megatron /vLLM/ TGI 等训练 / 推理框架；Hugging Face 生态贡献、GitHub 高 Star 项目、顶会论文发表
- 语音多模态方向: ASR / TTS / 语音降噪项目经验；熟悉 Kaldi / ESPnet / Wenet / FunASR 等语音工具；小语种 / 跨语言迁移 / 弱监督学习经验；Interspeech / ICASSP 顶会论文
- Agent 与记忆方向: LLM Agent / RAG / Prompt Engineering 项目经验；熟悉 LangChain / LlamaIndex / AutoGen / CrewAI 等 Agent 框架；向量数据库 (Milvus / Weaviate / Pinecone) 使用经验；Long-Context / Context Engineering / Memory Mechanism 研究或项目经验。
岗位描述
- 1、参与大模型相关核心算法的研发、迭代优化与业务落地，涵盖模型预训练、微调、Prompt / 对齐优化、RAG 检索增强、多模态融合等关键能力的工程化与落地应用；
- 2、跟进大模型、强化学习、多模态等领域的前沿技术(顶会论文 / 开源项目 / 行业主流方案), 通过实验对比与方案迭代，解决模型泛化性、推理精度、场景适配等核心问题；
- 3、参与数据闭环工作：数据集构建、清洗、标注、质量管控与持续迭代，完成模型训练、评测、复盘全流程，输出规范的实验文档与技术报告；
- 4、协同团队完成算法测试、业务实验与项目推进, 保障大模型相关项目高效落地与持续迭代。
业务方向: 大模型算法 / 语音多模态算法 / Agent 与记忆系统
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。