【LongCat大模型人才校招】多模态文档理解算法专家

北京/上海 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1.具备强烈的好奇心与自驱力，对AI数据体系建设与模型优化充满热情，能够从全局视角思考数据与模型的关系。
2.扎实的深度学习和机器学习基础，熟练掌握PyTorch等主流框架，有大模型（LLM/VLM）训练和微调的实战经验。
3.熟悉文档解析（Document AI）、OCR、版面分析或多模态大模型（如LLaVA, Qwen-VL等）相关技术。
4.在CVPR、ICCV、ECCV、ACL等顶级会议以第一作者发表过相关论文，或在知名开源项目中做过核心贡献者优先。
5.有多模态大模型训练特别是OCR能力提升经验者优先。

岗位描述

【岗位职责】

【AI愿景】

美团龙猫基座大模型，不只聪明，更懂生活。从语言理解到全模态感知，从架构创新到极致推理，从海量预训练到亿级真实订单 —— 我们造的不仅是实验室里的“优等生”，更是活在大街小巷、三餐四季里的AI。而我们想做的远不止于此 —— 让模型自己提出假设、训练自己、不断进化；让一群智能体像团队一样分工协作、攻克复杂问题；让 AI 走出屏幕，理解物理世界、走进真实场景。这是我们正在冲刺的方向，也是你可以参与定义的未来。加入我们，一起把智能带进真实物理世界，亲手打造下一代 AGI！

【团队介绍】

基座大模型AI Infra团队，以支撑前沿基础模型持续演进为目标，面向大模型研发与生产全链路，构建高性能、高稳定性、可持续扩展的AI基础设施体系。围绕高效率实验平台、大规模训练生产能力，以及模型结构与芯片架构协同优化，沉淀软硬一体、训推贯通的关键基础能力，提升模型迭代效率、训练资源利用率与系统上限。

【为什么是我们】

1. 你的工作直接决定万亿大模型的效果天花板 —— 预训练数据质量是影响模型能力的最底层变量，这个方向持续重要且极富挑战，您在做"最核心的事”的同时，是在挖掘大金矿。
2. 超大规模数据工程实战打造业界领先的OCR能力 —— 百亿级文档等您挖掘，您积累的系统设计和优化经验，具有极强的稀缺性与市场价值；同时我们志向打造领先的开源OCR模型。
3. 学术与业务双驱动 —— 团队技术氛围浓厚，鼓励技术创新、突破以及成果转化；核心技术有机会在顶会发表，业务落地与学术产出双向驱动。

【岗位职责】

1.负责百亿级别海量文档数据的解析与处理，包括但不限于复杂版面检测、文档元素识别、长文档解析与结构化信息提取。
2.跟踪并研究多模态大模型与文档智能领域的最新前沿技术，研发业界领先的多模态文档解析大模型。
3.主导预训练长文数据全链路闭环建设，包括但不限于数据理解、数据处理、数据价值判定、多样性建设、数据实验以及长文学习研究等。

【任职要求】

1.具备强烈的好奇心与自驱力，对AI数据体系建设与模型优化充满热情，能够从全局视角思考数据与模型的关系。
2.扎实的深度学习和机器学习基础，熟练掌握PyTorch等主流框架，有大模型（LLM/VLM）训练和微调的实战经验。
3.熟悉文档解析（Document AI）、OCR、版面分析或多模态大模型（如LLaVA, Qwen-VL等）相关技术。
4.在CVPR、ICCV、ECCV、ACL等顶级会议以第一作者发表过相关论文，或在知名开源项目中做过核心贡献者优先。
5.有多模态大模型训练特别是OCR能力提升经验者优先。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →