蔚来
校招提前批-大模型训练框架开发工程师
北京 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 教育背景
- 硕士及以上学历，2027届应届生，计算机/软件/AI/自动化/电子等相关专业
- 必备能力
- Linux/Git：熟练Linux开发环境，熟悉Git及CI/CD基本流程
- C++：熟悉C++11/14/17标准，掌握内存模型、智能指针、STL、多线程编程
- Python：熟悉多进程/多线程/协程，理解GIL与内存管理机制
- PyTorch：熟悉PyTorch及分布式训练基本概念，有课程/项目实操经历
- 加分项
- CUDA/GPU加速实践经历
- 了解LMDB/Arrow/WebDataset等数据格式
- 了解DDP/FSDP/DeepSpeed/Megatron等分布式策略
- 接触过Perf/Nsight/Triton / ASan等性能工具
- 有训练框架阅读或小改动经历
- 有智能辅助驾驶/机器人/大模型训练相关项目或竞赛经历
岗位描述
参与智能辅助驾驶大模型训练链路的工程优化，主力支持以下一个或多个方向：
训练性能优化：分布式训练调优（显存/通信/IO），前后处理环节加速（解码/增强/加载），GPU/CPU异构计算优化
训练框架维护：内部训练框架迭代与模块化重构（数据加载/模型/优化器/日志解耦），支持增量学习与持续训练
数据链路优化：大规模数据读取链路设计（WebDataset/LMDB/TFRecord），预处理流程优化，解决分布式IO瓶颈
CI/CD与质量体系：自动化构建、测试与回归验证流程建设，训练效率与稳定性度量
系统问题攻关：内存/显存/日志/profiling专项优化，定位解决OOM、卡死、通信超时等系统级问题
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。